En el mundo, un 3.1 por ciento de los adolescentes de entre 10 a 14 años y el 2.4 por ciento de entre los 15 y 19 años procrastinan, olvidan cosas importantes y tienen, en apariencia, una energía inagotable, debido a que padecen trastorno por déficit de atención (TDAH), según datos recientes de la Organización Mundial de la Salud.
El TDAH es común entre niñas, niños y adolescentes. Afecta su vida diaria porque no pueden concentrarse para ejecutar sus tareas diarias, sean en casa o en la escuela, y tienen dificultades para controlar sus impulsos, acorde con el Instituto Nacional de Salud Mental de Estados Unidos.
El que sea común, no significa que sea fácil de diagnosticar, de hecho, es posible que haya un sobrediagnóstico del TDAH por lo confuso que resulta para los psiquiatras en ocasiones, ya que algunos comportamientos del trastorno, como la falta de atención, es regular entre niñas y niños, de acuerdo con el Child Mind Institute, organismo estadounidense enfocado en la salud mental de menores.
El florecimiento de herramientas de Inteligencia Artificial (IA) representan un punto de apoyo para este tipo de padecimientos en infantes al mejorar la precisión del diagnóstico.
Una de estas iniciativas provino de Corea del Sur. Un grupo de científicos emplearon Machine Learning (ML) o aprendizaje automático y Deep Learning para detectar y clasificar ciertos indicadores del TDAH al analizar los ojos de menores de 19 años.
El estudio "Imágenes de Fondo de Retina como Biomarcador para TDAH usando Aprendizaje Automático para Cribado y Estratificación de la Atención Visual", publicado este año por la revista académica npj Digital Medicine, mostró una herramienta diagnóstica de TDAH con una precisión de hasta el 96.9 por ciento.
¿Cómo lo hicieron? Entre abril y octubre de 2022, los científicos analizaron dos grupos: uno control con 323 menores de desarrollo típico (TP) y 323 con TDAH que no tomaban medicamentos contra el padecimiento.
Los surcoreanos capturaron imágenes del fondo del ojo de los adolescentes y emplearon un sistema automatizado llamado "AutoMorph", basado en Deep Learning, para identificar y cuantificar, en más de mil 108 fotografías, características morfológicas de la retina, como la densidad y ancho de los vasos sanguíneos, dimensiones del disco óptico, así como las dimensiones fractales arteriales y venosas, por mencionar algunas de las más relevantes.
Con base en los datos obtenidos, entrenaron modelos de Machine Learning que fueran capaces de distinguir las muestras de niños TP y con TDAH.
El objetivo fue determinar si los datos obtenidos del fondo del ojo y el entrenamiento de modelos de Machine Learning servirían como un biomarcador para clasificar los déficits en la función ejecutiva.
Según el artículo, estas funciones son habilidades mentales que operan como un "director de orquesta" del cerebro, encargadas de procesos clave como el pensamiento, la acción y las emociones.
Identificar un déficit en la función ejecutiva, acorde con los científicos, son indicativos de trastornos mentales, como el TDAH.
No obstante los prometedores resultados, es imperativo mencionar que hay limitaciones en el estudio, pues las personas analizadas solo eran de Corea del Sur y solo menores de 19 años, por lo que su replicación es restringida.
Aun así, el uso de la IA para definir biomarcadores menos invasivos y accesibles podría democratizar el diagnóstico del TDAH en menores.
"Otros estudios deberían considerar enfoques multimodales que integren imágenes de la retina con neuroimágenes, medidas electrofisiológicas u otros biomarcadores para mejorar la especificidad", fueron algunas de las conclusiones de los científicos asiáticos.
