Un grupo de científicos del Reino Unido ha desarrollado un método basado en machine learning que detecta el Trastorno por Déficit de Atención e Hiperactividad (TDAH) analizando las acciones de individuos en videoclips. Estos videos, grabados con múltiples cámaras desde diferentes ángulos, muestran a los participantes realizando tareas específicas.
El estudio, publicado en Neuroscience Applied, indica que este método supera a los sistemas de diagnóstico tradicionales en la diferenciación entre individuos con y sin TDAH. Se presenta como una herramienta prometedora, más económica y eficiente que otras opciones.
En este artículo encontrarás:
El TDAH: Un trastorno neuroconductual complejo
El TDAH es un trastorno neuroconductual caracterizado por patrones persistentes de desatención, hiperactividad e impulsividad que interfieren con el funcionamiento o el desarrollo. Las personas con TDAH tienen dificultades para concentrarse en las tareas, seguir instrucciones, organizar actividades y se distraen fácilmente con estímulos externos. La hiperactividad puede manifestarse como inquietud excesiva, incapacidad para permanecer sentados o tranquilos en situaciones que lo requieren.
Este trastorno suele comenzar en la infancia y puede persistir hasta la edad adulta, afectando negativamente el rendimiento académico, las responsabilidades laborales y las relaciones sociales. Su diagnóstico precoz es crucial para mitigar las consecuencias negativas. Generalmente, se diagnostica cuando el niño empieza la escuela, ya que sus comportamientos disruptivos suelen afectar su rendimiento.
Desarrollando un sistema automatizado de detección
El objetivo del estudio, liderado por Yichun Li y sus colegas, era crear un sistema automatizado de detección del TDAH. Para ello, diseñaron un estudio para evaluar las acciones y reacciones de individuos con y sin TDAH. Los datos obtenidos se utilizarían para desarrollar un sistema de detección basado en el reconocimiento de acciones humanas a partir de grabaciones de video, clasificando a los individuos como con o sin TDAH.
En la investigación, se grabaron videos de 10 adultos diagnosticados con TDAH y 12 sin el trastorno realizando tareas específicas. Entre los participantes con TDAH, cinco eran hombres y cinco mujeres. Del grupo sin TDAH, ocho eran hombres y cuatro mujeres, con edades comprendidas entre los 18 y los 45 años. Los participantes con TDAH fueron reclutados por CNTW-NHS Foundation Trust, mientras que los participantes sanos fueron voluntarios de la Universidad de Newcastle en el Reino Unido.
Las grabaciones se realizaron con cámaras GoPro desde tres puntos de vista: frontal, izquierdo y derecho. Además, se registraron datos de audio y señales táctiles a través de un teclado. Se colocaron carteles en el campo visual de los participantes y pequeños objetos (bolígrafos, fidget spinners) como distractores, elementos a los que las personas con TDAH suelen ser más susceptibles.
Las actividades incluyeron una entrevista de 10-20 minutos, la batería de pruebas neuropsicológicas automatizadas de Cambridge (CANTAB), una tarea de reacción a pitidos (beep reaction task) y la visualización de videos considerados emocionantes. El proceso completo duró entre 1 y 1,5 horas.
Reconociendo patrones de comportamiento por medio de Machine Learning:
Los investigadores crearon un sistema de machine learning que reconocía elementos y movimientos del cuerpo humano en los videos e identificaba las acciones que realizaban los individuos. Esta información se usó para generar índices que indicaban la correspondencia del comportamiento con el esperado en personas con TDAH. Finalmente, el sistema clasificaba a los individuos como con o sin TDAH. Se probaron diferentes opciones de procesamiento, seleccionando la de mejor rendimiento.
En las pruebas finales, el sistema logró una precisión de clasificación del 95.5%, superando a sistemas similares basados en resonancia magnética (RM), electroencefalografía (EEG) o análisis de trayectoria. Además, el procedimiento de prueba resultó significativamente más económico. Como indican los autores, el sistema supera en cuanto a puntuación F1, precisión y AUC (área bajo la curva) a los métodos existentes. Su bajo coste representa una ventaja significativa para su aplicación clínica.
A pesar de sus excelentes resultados, el estudio presenta algunas limitaciones. El sistema mostró menor precisión en la identificación de mujeres con TDAH, posiblemente debido a diferencias conductuales entre sexos, como la presencia de "acciones pequeñas prolongadas" que el sistema podría pasar por alto. Asimismo, el rendimiento del sistema fue menos robusto con videos más cortos.
Conclusión
Este estudio propone un sistema innovador para el reconocimiento del TDAH basado en machine learning, abriendo nuevas vías para un diagnóstico más rápido, preciso y accesible. Sin embargo, se requiere investigación adicional para mejorar la precisión en la detección del TDAH en mujeres y en videos más cortos, para asegurar una aplicación amplia y confiable en la práctica clínica.
Fuentes y recursos de información
Li, Y., Nair, R., & Naqvi, S. M. (2024). ADHD Detection Based on Human Action Recognition. Neuroscience Applied, 3, 104093–104093. DOI: 10.1016/j.nsa.2024.104093
