medigraphic.com

2014, Número 3

<< Anterior Siguiente >>

Rev Mex Ing Biomed 2014; 35 (3)


Metodología para ponderar áreas de evaluación de la herramienta ADOS-G en trastorno del espectro autista con redes neuronales artificiales y método de Taguchi

Reyes M, Ponce P, Grammatikou D, Molina A

Idioma: Ingles.
Referencias bibliográficas: 33
Paginas: 223-240
Archivo PDF: 1756.27 Kb.


RESUMEN

El diagnóstico del autismo requiere del uso de herramientas de diagnóstico validadas internacionalmente que son utilizadas por los profesionales de la salud expertos en trastornos del espectro autista, lo cual requiere de procesamiento de mucha información y un entendimiento técnico de cada una de las áreas evaluadas en ellas. La clasificación del impacto que tienen cada una de estas áreas, así como la propuesta de un sistema que pueda ayudar a los expertos en el diagnóstico, es una tarea compleja, por lo que en este artículo se presenta una metodología utilizada para encontrar los elementos más significativos de la herramienta de diagnóstico de autismo ADOS-G a través de redes neuronales artificiales entrenadas con retropropagación del error. El número de casos para entrenamiento de la red se seleccionó utilizando el método de Taguchi con arreglos ortogonales, reduciendo el tamaño de la muestra de 531,441 a solo 27 casos. La red entrenada tiene una exactitud del 100% validada con 11 casos diferentes de niños evaluados para diagnóstico de trastorno del espectro autista con lo que se obtuvo una especificidad y sensibilidad de 1. La red neuronal artificial se utilizó para clasificar los 12 elementos del algoritmo de la herramienta ADOS-G en tres niveles de impacto: Alto, Medio y Bajo. Se encontró que los elementos “Mostrar”, “Placer compartido durante la interacción” y “Frecuencia de vocalizaciones dirigidas a otros” son las áreas de mayor impacto para el diagnóstico de autismo. La metodología presentada puede ser replicada para diferentes herramientas de diagnóstico de autismo para clasificar sus áreas de mayor impacto también.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. L. Wing, "The autistic spectrum", The lancet, 350(9093), pp. 1761-1766, 1997.

  2. L. Kanner, "Autistic disturbances of affective contact", Nervous child, vol 2. no.3, pp. 217-250, 1943.

  3. Centers for Disease Control and Prevention. "Prevalence of autism spectrum disorders-Autism and Developmental Disabilities Monitoring Network, 14 sites, United States, 2008", MMWR 2012; vol. 61, No. 3. pp.1-2.

  4. M. Marquez-Caraveo and L. Albores-Gallo, "Autistic spectrum disorders: Diagnostic and therapeutic challenges in Mexico", Salud Mental, Vol. 34 no. 5, pp. 435-441, 2011.

  5. C. Marcín (2013, February,6) "Prevalencia del Autismo en México", [Online]. Available: http://www.clima.org.mx/images/ pdf/prevalencia.pdf.

  6. American Psychiatric Association [APA], "The Diagnostic and Statistical Manual of Mental Disorders: DSM 5.", Arlington, 2013, pp. 50-59.

  7. R. Arias et al., "Diagnostico y Manejo de los Trastornos del Espectro Autista.", IMSS, México, 2012.

  8. M. Marquez-Caraveo et al, "Guía Clínica: Trastornos Generalizados del Desarrollo", Guías Clínicas del Hospital Psiquiátrico Infantil Dr. Juan N Navarro, 2010.

  9. PA. Filipek et al., "The Screening and Diagnosis of Autistic Spectrum Disorders", Journal of Autism and Developmental Disorders, vol.29, no.6, pp. 439-484, 1999.

  10. World Health Organization, "International Statistical Classification of Diseases and Related Health Problems", 10th Revision, 2nd Ed, 2004.

  11. S. Baron-Cohen et al., "Early identification of autism by the Checklist for Autism in Toddlers (CHAT)", Journal of the royal society of medicine, vol. 93, no. 10, pp. 521-525, 2000.

  12. D Robins, et al. (2009). "Modified Checklist for Autism in Toddlers, Revised with Follow-Up (M-CHAT-R/F)" [online]. Available:http://www.autismspeaks.org/ sites/default/files/docs/sciencedocs/mchat/ m-chat-r_f.pdf?v=1.

  13. W. Stone et al., "Brief Report: Screening Tool for Autism in Two-Year-Olds (STAT): Development and Preliminary Data", Journal of Autism and Developmental Disorders, vol. 30, no. 6, pp. 607-612, 2000.

  14. A. Wetherby et al., "Validation of the Infant-Toddler Checklist as a Broadband Screener for Autism Spectrum Disorders from 9 to 24 Months of Age", Autism, vol.12, no.5, pp.487-511, 2008.

  15. C. Chlebowski et al., "Using the Childhood Autism Rating Scale to Diagnose Autism Spectrum Disorders", J Autism Dev Disord, vol.40, no. 7, pp. 787- 799, 2010.

  16. C. Lord et al., "The autism diagnostic observation schedule-generic: a standard measure of social and communication deficits associated with the spectrum of autism", Autism Dev Disord, vol.30, no. 3, pp. 205-223, 2000.

  17. C. Lord et al., "Autism Diagnostic Interview - Revised: A Revised Version of a Diagnostic Interview for Caregivers of Individuals with Possible Pervasive Developmental Disorders", Autism and Dev Disor, vol. 4, no. 5, pp.659-685, 1994.

  18. K. Gotham, "Standardizing ADOS Scores for a measure of Severity in autism spectrum disorders", J Autism Dev Disord, vol. 39, no. 5, pp. 693-705.

  19. C. Lord et al., "ADOS, Escala de observación para el diagnóstico del autismo", TEA Ediciones, 2008.

  20. P. Ponce. "Inteligencia Artificial con Aplicaciones a la Ingeniería", 1a Ed, Cd. Mexico, Mexico,Alfaomega, 2010, ch. 3, pp.193-234.

  21. G. Borgersen and L. Karlsson, "Supervised learning in artificial neural networks" in IRCSE, Västerås, Sweden, 2008, pp.1-6.

  22. S. Gopal, "Artificial Neural Networks for Spatial Data Analysis", in NCGIA Core Curriculum in GIScience, Boston, MA, 1998.

  23. B. Krose and P. Van Der Smagt (1996). An Introduction to Neural Network [online]. Available: http://www.ieee.org/documents/ieeecitationref.pdf.

  24. W. Baxt, "Application of artificial neural networks to clinical medicine," The Lancet, vol. 346, no. 8983, pp. 1135-1138, 1995.

  25. I. Cohen et al., "A neural network approach to the classification of autism.", J Autism and Dev Dis, vol. 23, no. 3, pp. 443-66, 1993.

  26. K. Srinivasan and S. Veeraraghavan, "Exploration of Autism using Expert Systems", in ITNG’07, Las Vegas, NV 2007. pp. 261-264.

  27. K. Arthi and A. Tamilarasi, "Prediction of autistic disorder using neuro fuzzy system by applying ANN technique", International journal of developmental neuroscience, vol. 26, no. 7, pp. 699-704, 2008.

  28. D. Wall et al., "Use of machine learning to shorten observation-based screening and diagnosis of autism", Translational Psychiatry, vol.2, no. 100, pp. 1-8, 2012.

  29. D.Wall et al., "Use of Artificial Intelligence to shorten the behavioral Diagnosis of Autism", Plos One, vol. 7, no.8, pp. 1-8, 2012.

  30. R. Ranjit, "A Primer on the Taguchi Method", New York: Van Nostrand Reinhold, 1990, pp.1-5.

  31. L. Sun et al., "A New Modeling Technique Based on the ANN and DOE for Interconnects", in ASIC, China, 2001.

  32. The MathWorks,Inc. (2014), "Mathlab Primer R2014a" [Online]. Available: http://www.mathworks.com/help/pdf_doc/ matlab/getstart.pdf.

  33. P. Refaeilzadeh et al., "Cross Validation", Encyclopedia of Database Systems, pp. 532-538, 2009




2020     |     www.medigraphic.com