Aprendizaje de máquina como apoyo al diagnóstico del trastorno por déficit de atención e hiperactividad infantil.

Abstract

El trastorno del neurodesarrollo más común en la niñez es el trastorno por déficit de atención e hiperactividad (TDAH), se caracteriza por una persistente desatención y/o hiperactividad y afecta del 3 al 7% de la población infantil. Los síntomas deben presentarse en al menos dos ámbitos (familiar, escolar o social), según el Manual Diagnóstico y Estadístico de Trastornos Mentales (DSM-V). El diagnóstico clínico está basado en la percepción de un observador apoyándose de síntomas y pruebas neuropsicológicas; puede verse influido por la falta de experiencia y el desconocimiento del contexto y del padecimiento. Los síntomas pueden confundirse con los de otros trastornos o con alteraciones en la conducta. En más del 70% de los casos, el TDAH continúa en la adultez y si no es tratado, las dificultades familiares, escolares, laborales y sociales persisten, incluso se ha asociado al riesgo de suicidio. El aprendizaje de máquina es una rama de la inteligencia artificial cuyo objetivo es generar algoritmos capaces de aprender. El aprendizaje supervisado, basado en ejemplos, se ha utilizado para apoyar el diagnóstico diferencial en el ámbito médico. Entre los algoritmos se encuentran las redes neuronales artificiales (RNA), las máquinas de vectores de soporte (MVS), los árboles de decisión (AD) y los K-vecinos más cercanos (KVC). En este trabajo se evaluó el desempeño del aprendizaje supervisado como apoyo al pre-diagnóstico del TDAH. Se analizaron 116 expedientes de 96 hombres y 20 mujeres, de 3 a 14 años del Centro de Atención Medica y Educación Especial en México, 63 previamente diagnosticados con TDAH y 53 sin TDAH. Se utilizaron predictores clasificados en antecedentes familiares con problemas de conducta; problemas antes, durante y después del parto; síntomas del DSM-V; características físicas; pruebas neuropsicológicas; problemas en el desarrollo psicomotor y de lenguaje y anormalidades en el mapeo cerebral. Se realizó un diseño experimental con las combinaciones de 32 predictores y diferentes configuraciones para los algoritmos de RNA, MVS, AD y KVC. Los mejores resultados obtenidos para el entrenamiento de los algoritmos fueron arrojados por dos redes neuronales artificiales habiendo obtenido 98.9% de precisión. La precisión durante la prueba de los algoritmos fue de 83.3% y 87.5%. Otros autores han propuesto clasificadores que requieren pruebas como resonancia magnética, tomografía computarizada y/o electroencefalograma; el trabajo propuesto únicamente requiere la entrevista con los padres, idealmente la opinión del profesor del paciente y las pruebas psicológicas. No obstante, es importante mencionar que el clasificador solamente representa un apoyo en el prediagnóstico del TDAH, ya que la mayoría de los pacientes que no lo padecen presentan daño orgánico cerebral, por lo que el diagnóstico final requiere un análisis cuidadoso de la información disponible. Abstract The most common neurodevelopmental disorder in childhood is Attention Deficit Hyperactivity Disorder (ADHD), characterized by persistent inattention and / or hyperactivity and affects 3 to 7% of the child population. Symptoms must be presented in at least two domains (family, school or social), according to the Diagnostic and Statistical Manual of Mental Disorders (DSM-V). The clinical diagnosis is based on the perception of an observer based on symptoms and neuropsychological tests; Can be influenced by the lack of experience and the ignorance of the context and the suffering. Symptoms may be confused with those of other disorders or with behavioral disturbances. In over 70% of cases, ADHD continues into adulthood and if untreated, family, school, work and social difficulties persist, even associated with the risk of suicide. Machine learning is a branch of artificial intelligence whose goal is to generate algorithms capable of learning. Supervised learning, based on examples, has been used to support the differential diagnosis in the medical field. Among the algorithms are artificial neural networks (ANN), support vector machines (SVM), decision trees (DT), and K-nearest neighbors (KNN). In this study, we evaluated the performance of supervised learning in support of pre-diagnosis of ADHD. We analyzed 116 records of 96 men and 20 women, 3 to 14 years of the Center for Medical Care and Special Education in Mexico, 63 previously diagnosed with ADHD and 53 without ADHD. Predictors classified in family history with behavior problems were used; Problems before, during and after childbirth; DSM-V symptoms; physical characteristics; neuropsychological tests; problems in the psychomotor and language development and abnormalities in the cerebral mapping. An experimental design was made with the combinations of 32 predictors and different configurations for the RNA, MVS, AD and KVC algorithms. vii

The best results obtained for the training of the algorithms were cast by two artificial neural networks having obtained 98.9% accuracy. The accuracy during the test of the algorithms was 83.3% and 87.5%. Other authors have proposed classifiers that require tests such as magnetic resonance imaging, computed tomography and / or electroencephalogram; The proposed work only requires the interview with the parents, ideally the opinion of the patient's teacher and the psychological tests. However, it is important to mention that the classifier only represents a support in the prediagnosis of ADHD, since the majority of the patients who do not suffer it have organic brain damage, so the final diagnosis requires a careful analysis of the available information.