El proyecto AURORA analiza historiales médicos electrónicos para identificar patrones de desarrollo asociados con un diagnóstico futuro.
La identificación temprana del autismo puede marcar una diferencia importante en el desarrollo de los niños, ya que permite acceder a evaluaciones y terapias oportunas. Sin embargo, los métodos actuales de tamizaje dependen de cuestionarios aplicados por pediatras y cuidadores, los cuales pueden ser subjetivos y propensos a errores. Frente a esta limitación, investigadores de la Universidad de Duke han puesto en marcha un proyecto que busca aprovechar la inteligencia artificial (IA) y los historiales médicos electrónicos para optimizar la detección y la atención de niños con posibles diferencias en su desarrollo.
El estudio, denominado Artificial Intelligence for Understanding and Recognizing Autism (AURORA), reúne a especialistas en ciencia de datos, autismo y salud pediátrica para entrenar modelos de aprendizaje automático capaces de reconocer patrones en los registros médicos. Estos patrones podrían anticipar qué niños tienen mayor probabilidad de recibir un diagnóstico de autismo en el futuro.
El Dr. Benjamin Goldstein, director de ciencia de datos en Duke AI Health y líder del proyecto, explicó lo siguiente: “Sabemos por trabajos previos que ciertas condiciones médicas en la infancia temprana pueden ser indicativas de un diagnóstico futuro de autismo. Pero los historiales médicos son muy complejos; contienen demasiada información para que un médico la evalúe durante una consulta o para que un equipo de investigación la lea en su totalidad”.
La innovación de AURORA consiste en usar modelos de IA capaces de interpretar notas clínicas escritas en lenguaje natural, más allá de los códigos estandarizados de diagnóstico. Esto es fundamental porque, en muchos casos, las características relacionadas con el autismo, como retrasos en el lenguaje o dificultades de alimentación, no son codificadas formalmente, sino que se registran en forma de observaciones en los expedientes.
El enfoque permite analizar los datos de un número más amplio y diverso de niños durante periodos prolongados, lo que aumenta la representatividad de los hallazgos. Según el Dr. Goldstein, “los modelos de machine learning (aprendizaje automático) nos permiten reflejar estos factores complejos de manera más eficiente”.
La visión final del equipo es integrar esta herramienta en los historiales médicos electrónicos para alertar al pediatra cuando el perfil de un menor muestre patrones asociados al autismo. Gracias a esta herramienta, las familias y proveedores de salud podrían tomar decisiones conjuntas y fundamentadas sobre evaluaciones adicionales, derivaciones diagnósticas o apoyos especializados. AURORA promete evaluaciones más objetivas, rápidas y accesibles, reforzando la detección temprana y mejorando el acompañamiento a las familias.
