Карта Тинькофф для нерезидентов России: ключевые преимущества для международных пользователей
Исследовательская группа Университета Альберты успешно использовала машинное обучение в качестве инструмента для раннего выявления синдрома дефицита внимания и гиперактивности (СДВГ) у воспитанников детских садов.
В недавнем исследовании, опубликованном в журнале PLOS Digital Health , группа проанализировала обезличенные провинциальные медицинские карты и оценки развития учителей, чтобы точно предсказать, у каких учеников в течение следующих четырех лет будет диагностирован СДВГ.
«Применяя машинное обучение к этим данным, мы можем предсказать возникновение СДВГ у этих детей через несколько лет», — объясняет главный исследователь Бо Као, доцент кафедры психиатрии, внештатный профессор кафедры вычислительной техники и заведующий кафедрой канадских исследований в области вычислительной психиатрии.
«Долгосрочная цель исследования — сосредоточиться на группах высокого риска и выяснить, существуют ли факторы, которые можно изменить, чтобы снизить риск», — говорит Цао.
«Невыявленный СДВГ может оказать огромное влияние на траекторию развития детей, потому что если они не могут следить за занятиями в детском саду, то в старших классах им становится еще сложнее», — говорит первый автор Ян Лю, научный сотрудник Лаборатории вычислительной психиатрии.
В состав исследовательской группы также вошли представители Alberta Health и Alberta Machine Intelligence Institute.
По данным Центра по повышению осведомленности о СДВГ (Канада), СДВГ является наиболее распространенным нарушением неврологического развития у детей, которое затрагивает около пяти-девяти процентов детей и трех-пяти процентов взрослых.
Существует три типа СДВГ: гиперактивный, невнимательный и их сочетание. Симптомы могут включать импульсивность, трудности в обучении и плохую эмоциональную саморегуляцию. Средний возраст постановки диагноза — семь лет для мальчиков и 12 лет для девочек. В Альберте предлагаемые методы лечения включают поведенческую терапию, консультирование и медикаментозное лечение.
Команда проанализировала записи 23 247 детей, посещавших детский сад в Альберте в 2016 году. Дети, которым уже был поставлен диагноз СДВГ, не были включены. В течение следующих четырех лет 1 680 или 7,2 процента обследованных детей получили диагноз СДВГ.
Исследовательская группа сопоставила административные данные о состоянии здоровья с результатами инструмента оценки развития, используемого учителями, Early Development Instrument. Анкета заполняется учителями детских садов, чтобы измерить, соответствуют ли дети ожиданиям развития в отношении физического здоровья , социальной компетентности, эмоциональной зрелости, языкового и когнитивного развития, коммуникативных навыков и общих знаний. Результаты сгруппированы, чтобы дать моментальный снимок того, как дети справляются с задачами в школах, районах, городах или провинциях.
Данные о состоянии здоровья включали такие сведения, как проблемы со здоровьем при рождении, психическое здоровье матерей в прошлом и количество посещений отделений неотложной помощи детьми, а также демографическую информацию по районам, такую как размер домохозяйства, средний процент дохода, расходуемый на жилье, и уровень образования.
Алгоритм предсказал будущие диагнозы СДВГ с площадью под кривой (AUC) 0,81, когда он использовал комбинацию данных из медицинских карт и инструмента оценки. AUC — это метрика, используемая для оценки эффективности прогнозирования модели, при этом AUC 1 представляет собой идеальную эффективность.
ROC-кривые наиболее подходящих и базовых моделей. Кредит: PLOS Digital Health (2024). DOI: 10.1371/journal.pdig.0000620
Команда сообщает, что главными прогностическими факторами для более низкого риска будущего диагноза СДВГ были хорошие стратегии обучения и социальные навыки, о которых сообщали учителя, владение английским или французским как вторым языком (ESL/FSL) и принадлежность к женскому полу. Прогностическими факторами для более высокого риска были невнимательное поведение в классе, история посещений психиатрической больницы, более высокий уровень образования в районе, проблемы с психическим здоровьем у матери, более высокие относительные расходы на жилье и больший размер домохозяйства.
Цао и Лю предупреждают, что ни один из этих факторов нельзя рассматривать изолированно, поскольку они, вероятно, взаимозависимы, и их влияние требует дальнейшего изучения. Например, учителя и родители могут быть более бдительными к СДВГ у мальчиков по сравнению с учениками ESL или девочками, что приводит к относительной задержке в диагностике для этих групп. Команда надеется разработать более специализированные прогностические модели для этих подгрупп учеников, а также наблюдать за ними в течение более длительного времени.
Цао опубликовал похожие статьи, в которых машинное обучение и данные о состоянии здоровья использовались для прогнозирования расстройств, связанных с употреблением опиоидов , начала депрессии и других проблем с психическим здоровьем. Он отмечает, что, хотя и приятно видеть, что ИИ может предоставлять диагностические данные, на данный момент многие из его потенциальных приложений все еще находятся на стадии исследований.
«Мы знаем, что использование данных и машинного обучения может добавить ценность, но в чем именно заключается эта ценность? Каковы риски и как эту модель можно использовать в реальном мире?» — спрашивает он. «Нам нужно привлекать заинтересованные стороны, членов сообщества и людей с жизненным опытом, чтобы убедиться, что мы уважаем конфиденциальность и различные культуры, избегаем стигматизации и всего такого.
«Я надеюсь, что эта модель послужит отправной точкой для более раннего вмешательства, позволяя детям с СДВГ получать поддержку в самый нужный момент», — говорит Цао.