Saúde Desvendada

A identificação precoce do autismo é crucial para melhorar a qualidade de vida de indivíduos afetados. Um estudo recente explora a aplicação de modelos de machine learning (ML) para otimizar o processo de triagem, utilizando o questionário Q-CHAT-10. A pesquisa investiga se subconjuntos compactos de itens preditivos do Q-CHAT-10, quando usados em modelos de ML, conseguem prever diagnósticos clínicos de autismo em diferentes contextos.

O estudo aplicou ML ao Q-CHAT-10, treinando modelos com dados da Nova Zelândia (n = 1054) e da Arábia Saudita (n = 506). Os modelos foram então testados em dados poloneses com diagnósticos clínicos (n = 252). Através da Eliminação Recursiva de Características, foram identificados modelos de quatro itens que retiveram três características comuns: contato visual, seguir a direção do olhar e brincadeira de faz de conta. Estes comportamentos parecem ser marcadores robustos de risco de autismo.

Os resultados demonstraram que o modelo da Nova Zelândia alcançou uma AUROC de 85% ± 13 (sensibilidade de 91%, especificidade de 50%) e o modelo saudita atingiu 87% ± 11 (sensibilidade de 84%, especificidade de 80%) quando testados nos casos poloneses clinicamente diagnosticados. Isto demonstra uma transferência parcial da predição de escores de avaliação para o diagnóstico clínico. Ferramentas de avaliação mais compactas podem reduzir o fardo para pacientes e profissionais, além de simplificar a administração e a implantação, com aplicações diretas para a fenotipagem digital direcionada no contexto da Saude.

Origem: Link