Diagnóstico de TDAH y autismo en 15 minutos

A pesar de los grandes avances en neurociencia y estudios genéticos, nuestra comprensión de los trastornos del neurodesarrollo sigue siendo bastante limitada. Una razón importante es no tener pruebas clínicas psiquiátricas objetivas.

Un estudio llevado adelante por investigadores de la Facultad de Medicina de la Universidad de Indiana en Indianápolis, ha demostrado que el trastorno por déficit de atención con hiperactividad (TDAH) y el trastorno del espectro autista (TEA) en niños y adolescentes se pueden diagnosticar en tan solo 15 minutos con una precisión de hasta un 70 por ciento utilizando una herramienta basada en sensores.

El diagnóstico de estos trastornos lleva mucho tiempo. Jorge V. José, PhD, investigador principal del estudio señaló que el diagnóstico inicial toma 15 minutos.

Los investigadores plantearon la hipótesis de que los movimientos aleatorios de las personas, imperceptibles a simple vista, contienen información cognitiva importante. Estos movimientos pueden ser captados por sensores de alta definición a aproximadamente 220 instantáneas por segundo.

Jorge V. José, profesor de física y profesor adjunto de anatomía en la Facultad de Medicina de la Universidad de Indiana, señala que cuando miras la escala de tiempo de milisegundos y observas todas estas fluctuaciones, podemos decir si tienes un funcionamiento bajo, un funcionamiento medio o un funcionamiento alto y todo el espectro de funcionalidad y habilidades cognitivas.

El estudio fue publicado en línea el 8 de julio en Nature Scientific Reports.¹

A medida que las tasas de diagnósticos continúan aumentando, el sistema está bajo una presión cada vez mayor, y los investigadores creen que esta nueva herramienta podría reducir significativamente los largos tiempos de espera para la evaluación psiquiátrica.

Una encuesta de CMS de 2023 mostró que el 28% de los centros de autismo de EE. UU. tenían tiempos de espera de diagnóstico superiores a 7 meses, y algunos centros estaban tan abrumados que dejaron de aceptar nuevas referencias.

Un estudio de 2018,² realizado por los mismos investigadores, identificó diferencias clave de movimiento entre personas con y sin TEA. Este nuevo estudio se basa en estos hallazgos al expandir la cantidad de variables cinemáticas medidas con sensores Bluetooth de mayor definición e incluir pacientes con TDAH y aquellos con TEA y TDAH comórbidos.

Los investigadores utilizaron modelos de aprendizaje profundo para rastrear biomarcadores de movimiento sutiles que diferencian a las personas con trastornos del neurodesarrollo (NDD) de las personas neurotípicas (NT). Los modelos también determinaron con precisión tanto el diagnóstico como la gravedad de las afecciones. El estudio incluyó a 92 participantes de 5 años o más, con una edad media de 23,96 años y un 35,9% que se identificó como mujeres. De estos, aproximadamente un tercio eran NT.

Para medir el movimiento, los participantes usaron un guante con sensores mientras alcanzaban y retraían su mano hacia un objetivo en una pantalla táctil unas 100 veces durante 15 minutos.

El modelo de aprendizaje profundo clasificó las condiciones de los participantes en función de variables cinemáticas, incluidos el balanceo, el cabeceo y la guiñada (RPY); aceleración lineal; y velocidad angular.

Para evaluar la gravedad, los datos se filtraron para eliminar el ruido del sensor de alta frecuencia y las fluctuaciones cinemáticas aleatorias de los individuos se midieron utilizando el factor de Fano biométrico y la entropía de Shannon.

La capacidad predictiva del modelo de aprendizaje profundo aumentó con múltiples variables cinemáticas (precisión media de la prueba, 71,48%), pero la velocidad angular dio un beneficio limitado a esta combinación. RPY tuvo la mayor capacidad predictiva (precisión de la prueba, 67,83%), en relación con la aceleración lineal (precisión de la prueba, 44,44%) y la velocidad angular (precisión de la prueba, 32,17%).

El área bajo la curva de características del operador receptor (AUC) sugiere que se puede predecir, con alta precisión, las condiciones de los participantes de NDD.

El AUC en los conjuntos de validación estaba entre 0,50 y 0,92, que aumentó ligeramente cuando ignoraron la velocidad angular. El modelo funcionó consistentemente bien para diferenciar a los pacientes con NDD de los pacientes con NT, pero menos para identificar el TDAH y el TEA comórbidos.

Un beneficio potencial de usar esta herramienta podría ser su capacidad para proporcionar datos objetivos sobre la condición de un paciente en lugar de depender únicamente de observaciones conductuales cualitativas, anotaron los investigadores.

José dijo que su equipo planea probarlo más en una variedad de entornos, incluidas escuelas y clínicas, y realizar estudios longitudinales. Sigue entusiasmado con su potencial para agilizar el proceso complejo y lento de diagnóstico y determinación de la gravedad de los NDD.

Anna Van Meter, psicóloga clínica y profesora asociada del Departamento de Psiquiatría Infantil y Adolescente de la Facultad de Medicina Grossman de la Universidad de Nueva York, dijo que hay un "gran potencial" para que la IA ayude a los médicos a utilizar mejor los datos ya recopilados de los pacientes y, como se demuestra en este estudio, integrar "diferentes tipos de datos" que históricamente no han sido parte de las evaluaciones psiquiátricas. Sin embargo, señaló que la investigación, aunque interesante, aún se encuentra en "una etapa muy preliminar".

Una de las limitaciones del estudio, dijo Van Meter, fue su pequeño tamaño de muestra. En relación con eso, parecía que tal vez alrededor del 20% de las personas que reclutaron, en realidad no podían usar sus datos, lo que me planteó algunas preguntas sobre la viabilidad clínica de este enfoque". También apuntó que los participantes del estudio eran en general mucho mayores que el rango de edad de diagnóstico típico, que es de menos de 5 años para el autismo y entre 5 y 12 años para el TDAH.

Referencias

1. Doctor, K.P., McKeever, C., Wu, D. Aditya Phadnis, Martin H. Plawecki, John I. Nurnberger Jr. Jorge V. José, et al. Diagnóstico de aprendizaje profundo más evaluaciones de gravedad cinemática de trastornos neurodivergentes. Sci Rep 15, 20269 (2025). https://doi.org/10.1038/s41598-025-04294-9.

2. Wu, D., José, J.V., Nurnberger, J.I. et al. Un biomarcador que caracteriza el neurodesarrollo con aplicaciones en el autismo. Sci Rep 8, 614 (2018). https://doi.org/10.1038/s41598-017-18902-w