As tarefas de sincronização interpessoal são frequentemente utilizadas no diagnóstico de transtornos do espectro autista porque as pessoas com TEA têm dificuldade em coordenar ações conjuntas.
Uma nova abordagem matemática é capaz de prever a gravidade dos traços do autismo a partir de dados de atividade cerebral.
Uma equipe de pesquisadores da Rússia e de Israel aplicou um novo algoritmo para classificar a gravidade dos traços de personalidade autista estudando a atividade cerebral dos sujeitos.
O artigo 'Breve Relatório: Classificação de Traços Autistas De acordo com a Atividade Cerebral Recodificado por fNIRS Usando ε-Coeficientes de Complexidade' é publicado no Journal of Autism and Developmental Disorders.
Ao diagnosticar autismo e outros transtornos mentais, os médicos cada vez mais usam métodos de neuroimagem, além de testes e observação tradicionais. Tais métodos diagnósticos não são apenas mais objetivos, mas também muitas vezes revelam a presença de um transtorno nos casos em que o médico tem dados comportamentais insuficientes, como quando o paciente é jovem em idade.
Uma tarefa importante no desenvolvimento de métodos diagnósticos é a seleção de um algoritmo que pode identificar certos padrões de atividade cerebral. Uma vez que as células cerebrais geram muitos impulsos elétricos por segundo, os dados brutos são muitas vezes insuficientes para tirar conclusões. Os dados devem ser processados primeiro.
Uma equipe de pesquisadores da Rússia e de Israel estudou um desses algoritmos. O experimento envolveu 26 indivíduos saudáveis, embora 5 tenham sido excluídos da amostra final devido a sinais barulhentos. Primeiro, os participantes completaram o Quociente do Espectro Autista e, com base no resultado do teste, foram divididos em dois grupos: aqueles com traços autistas fortes e aqueles com traços autistas fracos.
Em seguida, os participantes realizaram uma tarefa de movimento sincronizado interpessoal: cada sujeito foi solicitado a mover sua mão direita em sincronização com a do pesquisador por vários minutos enquanto sua atividade cerebral foi registrada. As tarefas de sincronização interpessoal são frequentemente utilizadas no diagnóstico de transtornos do espectro autista porque as pessoas com TEA têm dificuldade em coordenar ações conjuntas.
Em vez da ressonância magnética tradicional ou EEG, os pesquisadores escolheram espectroscopia funcional perto do infravermelho (fNIRS) para registrar a atividade cerebral dos indivíduos.
A tecnologia FNIRS baseia-se na medição dos níveis de oxigênio nos vasos sanguíneos do cérebro usando luz infravermelha. Ao contrário do fMRI, fNIRS é uma tecnologia mais acessível e portátil que não faz barulho, por isso esta técnica de neuroimagem é bem adequada para estudar a atividade cerebral de pessoas com autismo.
Para analisar os dados de atividade cerebral, os pesquisadores utilizaramcoeficientes de ε -complexidade. Essa abordagem matemática relativamente nova permitiu que os pesquisadores extraíssem informações significativas de padrões complexos e barulhentos. Com base nos dados processados dessa forma, os pesquisadores utilizaram métodos de classificação clássica para dividir os sujeitos em grupos, dependendo das características da atividade cerebral ao realizar a tarefa de sincronização.
Experimentando esses algoritmos, os cientistas conseguiram alcançar precisão de previsão de mais de 90%: em 9 em cada 10 casos, a avaliação da gravidade dos traços autistas em indivíduos que utilizam neuroimagem coincidiu com os resultados do questionário que os participantes preencheram no início.
A nova tecnologia pode ser usada como uma ferramenta de diagnóstico para transtornos do espectro autista, pois é mais acessível e conveniente ao trabalhar com pessoas com TEA em comparação com o fMRI.
Além disso, este estudo aplicou com sucesso εteoria da complexidade pela primeira vez para decodificar dados registrados com fNIRS. Isso abre a possibilidade de usar o novo algoritmo em outros estudos com a tecnologia fNIRS.
"Usamos εmetodologia de complexidade, que foi desenvolvida nos últimos anos pelo Dr. Darkhovsky B.S., em nosso estudo para desenvolver um algoritmo para classificar pacientes com base em registros de fNIRS de atividade cerebral. A tecnologia sem modelo resultante para análise de séries temporâneas pode ser usada nos casos em que os pré-requisitos dos métodos tradicionais de análise são violados — por exemplo, quando se trabalha com sinais de ECG e EEG significativamente não estacionários.
Portanto, essa tecnologia pode ser usada para estudar outros transtornos e características mentais, dos quais os padrões aparecem nos dados", diz o coautor do estudo Yuri Dubnov https://www.hse.ru/en/staff/dubnov, professor sênior de ciência da computação na Universidade HSE.
“Brief Report: Classification of Autistic Traits According to Brain Activity Recoded by fNIRS Using ε-Complexity Coefficients” by Anat Dahan, Yuri A. Dubnov, Alexey Y. Popkov, Itai Gutman & Hila Gvirts Probolovski. Journal of Autism and Developmental Disorders