O Transtorno do Espectro Autista (TEA) é tradicionalmente diagnosticado por meio de avaliações comportamentais, um processo que pode ser subjetivo e levar a identificações tardias. No entanto, avanços recentes nas áreas de metabolômica e aprendizado de máquina (machine learning) estão abrindo portas para métodos diagnósticos mais objetivos e precisos. Um estudo recente investigou o potencial da análise do perfil metabólico da urina, combinado com algoritmos de machine learning, como uma ferramenta complementar no diagnóstico do TEA.
Nesta pesquisa, amostras de urina foram coletadas de 52 crianças, sendo 32 com TEA e 20 controles neurotípicos. Através da cromatografia líquida acoplada à espectrometria de massas (LC-MS), foram identificados 293 metabólitos, classificados em 189 endógenos (produzidos pelo próprio organismo) e 104 exógenos (provenientes de fontes externas, como alimentação ou medicamentos). Diversos classificadores de machine learning, como floresta aleatória, regressão logística, árvore aleatória e Naive Bayes, foram aplicados para diferenciar os grupos TEA e controle, utilizando validação cruzada de 10 vezes.
Os resultados mostraram que o classificador de floresta aleatória alcançou uma acurácia de 85% e uma área sob a curva (AUC) de 0,9 ao utilizar todos os 293 metabólitos. Curiosamente, a classificação baseada apenas em metabólitos endógenos também atingiu uma acurácia de 85%, com um AUC de 0,86, demonstrando o potencial diagnóstico dos metabólitos produzidos pelo próprio corpo. Embora mais pesquisas sejam necessárias para vincular esses perfis metabólicos a características comportamentais específicas e subtipos de TEA, o estudo destaca a viabilidade de desenvolver métodos de diagnóstico assistidos baseados em perfis de metabólitos urinários, abrindo caminho para abordagens de tratamento mais precisas e individualizadas no futuro.
Origem: Link