Albertos universiteto tyrimų grupė sėkmingai panaudojo mašininį mokymąsi kaip įrankį, leidžiantį anksčiau nustatyti dėmesio stokos hiperaktyvumo sutrikimą (ADHD) vaikų darželio mokiniams.
Neseniai žurnale paskelbtame tyrime PLOS skaitmeninė sveikatakomanda išanalizavo neidentifikuotus provincijos sveikatos įrašus ir mokytojų raidos vertinimus, kad tiksliai prognozuotų, kuriems mokiniams per ateinančius ketverius metus bus diagnozuotas ADHD.
„Taikydami mašininį mokymąsi šiems duomenims galime numatyti ADHD po kelerių metų šiems vaikams“, – aiškina vyriausiasis tyrėjas Bo Cao, psichiatrijos docentas, skaičiavimo mokslų profesorius ir Kanados kompiuterinės psichiatrijos tyrimų vadovas.
„Ilgalaikis tyrimo tikslas yra sutelkti dėmesį į didelės rizikos populiacijas ir išsiaiškinti, ar yra modifikuojamų veiksnių, kad galėtume sumažinti riziką”, – sako Cao.
„Nenustatytas ADHD gali turėti didžiulį poveikį vaikų raidos trajektorijai, nes jei jie negali sekti pamokų darželyje, tada vėlesnėse klasėse bus sunkiau“, – sako pirmasis autorius Yang Liu, Kompiuterinės psichiatrijos laboratorijos mokslinis bendradarbis. .
Tyrimų grupėje taip pat dalyvavo Alberta Health ir Alberta Machine Intelligence Institute.
ADHD yra labiausiai paplitęs vaikų neurologinio vystymosi sutrikimas, pasireiškiantis maždaug nuo penkių iki devynių procentų vaikų ir nuo trijų iki penkių procentų suaugusiųjų, teigia ADHD informavimo centras, Kanada.
Yra trys ADHD tipai: hiperaktyvus, nedėmesingas ir šių dviejų derinys. Simptomai gali būti impulsyvumas, mokymosi sunkumai ir bloga emocinė savireguliacija. Vidutinis diagnozės nustatymo amžius yra septyneri berniukams ir 12 metų mergaitėms. Albertoje siūlomi gydymo būdai apima elgesio terapiją, konsultavimą ir vaistus.
Grupė išanalizavo 23 247 vaikų, kurie 2016 m. lankė darželį Albertoje, įrašus. Vaikai, kuriems jau buvo diagnozuotas ADHD, nebuvo įtraukti. Per kitus ketverius metus 1680 arba 7,2 procento tirtų vaikų buvo diagnozuotas ADHD.
Tyrimo grupė susiejo administracinius sveikatos duomenis su mokytojų naudojamos raidos vertinimo priemonės – ankstyvojo ugdymo instrumento – rezultatais. Anketą pildo darželio auklėtojos, siekdamos įvertinti, ar vaikai atitinka raidos lūkesčius dėl fizinės sveikatos, socialinės kompetencijos, emocinės brandos, kalbos ir pažinimo raidos, bendravimo įgūdžių ir bendrųjų žinių. Rezultatai sugrupuoti, kad būtų galima matyti, kaip vaikams sekasi mokyklose, apylinkėse, miestuose ar provincijose.
Sveikatos duomenys apėmė tokius įrašus kaip sveikatos problemos gimimo metu, ankstesnė motinų psichinė sveikata ir vaikų apsilankymų skubios pagalbos skyriuje skaičius, taip pat demografinė informacija pagal kaimynystę, pavyzdžiui, namų ūkio dydis, vidutinė būstui skirtų pajamų procentinė dalis ir išsilavinimo lygiai.
Algoritmas numatė būsimas ADHD diagnozes, kurių plotas po kreive (AUC) yra 0,81, kai buvo naudojami tiek sveikatos įrašų, tiek vertinimo priemonės duomenys. AUC yra metrika, naudojama modelio numatymo našumui įvertinti, o 1 AUC reiškia tobulą našumą.
Grupė praneša, kad pagrindiniai nuspėjamieji veiksniai, lemiantys mažesnę būsimos ADHD diagnozės riziką, buvo mokytojų praneštos geros mokymosi strategijos ir socialiniai įgūdžiai, anglų arba prancūzų kalbėjimas kaip antroji kalba (ESL/FSL) ir moteriškumas. Didesnę riziką nuspėjantys veiksniai buvo nedėmesingas elgesys klasėje, apsilankymų psichikos sveikatos ligoninėse istorija, aukštesnis išsilavinimas kaimynystėje, motinos psichikos sveikatos problemos, didesnės santykinės būsto išlaidos ir didesnis namų ūkio dydis.
Cao ir Liu įspėja, kad nė vienas iš šių veiksnių negali būti vertinamas atskirai, nes jie greičiausiai yra vienas nuo kito priklausomi ir jų poveikis reikalauja tolesnio tyrimo. Pavyzdžiui, mokytojai ir tėvai gali būti atidesni berniukų ADHD atveju, palyginti su mokyklos nebaigusių studentų ar merginų, todėl šiose grupėse diagnozė bus santykinai vėluojama. Komanda tikisi sukurti labiau specializuotus nuspėjimo modelius šiems studentų pogrupiams ir taip pat juos stebėti ilgiau.
Cao paskelbė panašius dokumentus, naudodamas mašininį mokymąsi ir sveikatos duomenis, siekdamas numatyti opioidų vartojimo sutrikimus, depresijos pradžią ir kitas psichinės sveikatos problemas. Jis pažymi, kad nors teikia vilčių matyti, kad dirbtinis intelektas gali suteikti diagnostinių įžvalgų, kol kas daugelis jo galimų pritaikymų vis dar yra tyrimų stadijoje.
„Žinome, kad duomenų naudojimas ir mašininis mokymasis gali pridėti vertės, bet kas tiksliai yra ta vertė? Kokia yra rizika ir kaip šis modelis gali būti naudojamas realiame pasaulyje? – klausia jis. „Turime įtraukti suinteresuotąsias šalis, bendruomenės narius ir žmones, turinčius išgyventos patirties, kad būtume tikri, kad gerbiame privatumą ir skirtingas kultūras, vengiame stigmos ir visokių dalykų.
„Tikiuosi, kad šis modelis pasitarnaus kaip atspirties taškas ankstesnėms intervencijoms ir leis vaikams, sergantiems ADHD, gauti paramą, kai tai yra svarbiausia“, – sako Cao.