Un enfoque basado en datos para detector trastornos del espectro autista

Los trastornos del espectro autista (TEA) son un grupo de afecciones que se caracterizan por deficiencias en la interacción social recíproca, y por la presencia de conductas restringidas y repetitivas. Los mecanismos actuales de detección de TEA son subjetivos (basados en encuestas) o se centran solo en las respuestas a un único estímulo. En este trabajo se desarrollan métodos de aprendizaje automático para predecir TEA basados en datos de electrocardiograma (ECG) y conductancia de la piel (SC) recopilados durante un protocolo de desafío sensorial (SCP) en el que se observaron las reacciones a ocho estímulos de 25 niños con TEA y 25 niños en desarrollo típico entre 5 y 12 años de edad. La longitud de la serie temporal dificulta la utilización de algoritmos tradicionales de aprendizaje automático para analizar este tipo de datos. En cambio, se desarrollan técnicas de procesamiento de características que permiten un análisis eficiente de la serie sin pérdida de efectividad. Los resultados del análisis de la serie temporal del protocolo confirmaron la hipótesis de los autores de que los niños autistas se ven muy afectados por cierta estimulación sensorial. Además, su modelo de predicción de TEA en conjunto logró un 93,33% de precisión, que es un 13,33% más alto que el mejor de los 8 modelos de referencia diferentes que se probaron.

Kapoor M., Anastasiu D.C. (2019) A Data-Driven Approach for Detecting Autism Spectrum Disorders. In: Haber P., Lampoltshammer T., Mayr M. (eds) Data Science – Analytics and Applications. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-27495-5_6