Imagen en movimiento: Un enfoque típico para analizar las diferencias de conectividad funcional entre niños autistas y no autistas muestra menos diferencias de grupo (izquierda) que un nuevo enfoque estadístico guiado por el aprendizaje automático (derecha).
POR EMILY HARRIS
Fuente: Spectrum | 21/06/2022
Fotografía: Autism Spectrum
Los niños autistas de corta edad y los que presentan rasgos prominentes tienden a ser excluidos de los estudios de imágenes por resonancia magnética funcional
Los niños autistas de corta edad y los que presentan rasgos prominentes tienden a ser excluidos de los estudios de imágenes por resonancia magnética funcional (IRMf) porque mueven demasiado la cabeza durante las exploraciones, según una nueva investigación.
La aplicación de un enfoque de "datos perdidos" que mezcla el modelado estadístico con el aprendizaje automático puede ayudar a resolver el problema, según el estudio.
Las conclusiones sugieren que los resultados de los estudios de imagen del autismo están sesgados, afirma Mary Nebel, investigadora principal del estudio y científica del Instituto Kennedy Krieger de Baltimore (Maryland).
Dado que los investigadores suelen desechar los datos de IRMf de los participantes cuyos movimientos superan un umbral, "sabemos que estamos captando algunos subconjuntos no representativos de los niños que tienen un diagnóstico de autismo", dice Kami Koldewyn, lectora de psicología en la Universidad de Bangor en Gwynedd, Gales, que no participó en el trabajo.
"Es muy agradable ver este tipo de confirmación de algo que, hasta cierto punto, todos conocemos en este campo", dice sobre el nuevo trabajo.
Nebel y sus colegas analizaron los escaneos de resonancia magnética funcional en estado de reposo de 545 niños de entre 8 y 13 años. Ninguno de los niños tiene discapacidad intelectual, y 148 de los 173 niños autistas son varones. Los investigadores también midieron los rasgos de autismo y el trastorno por déficit de atención/hiperactividad de los niños utilizando el Programa de Observación Diagnóstica del Autismo y cuestionarios estándar para los padres.
Los investigadores descubrieron que dos métricas comunes de control de calidad para el movimiento de la cabeza habían excluido a más niños autistas que no autistas. La métrica menos selectiva excluyó a cerca del 29 por ciento de los niños autistas, en comparación con el 16 por ciento de los no autistas, y la métrica más estricta excluyó al 81 y al 60 por ciento, respectivamente.
Los niños excluidos tendían a ser más jóvenes y a tener dificultades cognitivas y sociales más prominentes, así como un peor control motor. Los investigadores descubrieron que cada factor estaba relacionado con diferencias en la conectividad funcional, lo que apoya su hipótesis de que los patrones en los tipos de participantes excluidos de los conjuntos de datos de IRMf podrían sesgar las conclusiones que los científicos sacan sobre la conectividad en los cerebros de las personas con autismo. El trabajo se publicó en mayo en NeuroImage.
La inferencia causal, una forma de analizar los datos, puede ayudar a corregir el sesgo en grandes estudios observacionales en los que "los datos que faltan son un gran problema", dice Nebel.
Aplicando un modelo de inferencia causal de "propensión" a los datos de RMNf, Nebel y sus colegas caracterizaron la relación entre los rasgos de un participante y la utilidad de los datos de esa persona; un modelo de "resultados" captó el vínculo entre los rasgos de un participante y su conectividad funcional.
Este enfoque doble sirvió esencialmente para aumentar el peso de los datos utilizables de los niños subrepresentados en la muestra, afirma Nebel. "Una vez que se ajusta el modelo, se puede extrapolar para hacer predicciones sobre los niños que no tenían datos de conectividad funcional utilizables".
Para los datos de fMRI recogidos utilizando los criterios de movimiento menos selectivos, las correcciones de sesgo fueron pequeñas, escribieron los autores. Los criterios más estrictos dieron lugar a muy pocos niños autistas con datos utilizables, por lo que no pudieron probar su enfoque. Los criterios más estrictos probablemente habrían introducido un mayor sesgo y, por lo tanto, habrían dado lugar a mayores correcciones de sesgo utilizando su enfoque, escribieron Nebel y sus colegas.
"Es un artículo realmente importante", dice Max Bertolero, un antiguo científico investigador que es arquitecto de software neuroinformático en Nous Imaging, una empresa de software de imágenes médicas con sede en Missouri. "Aunque no sea la solución definitiva, al menos proponen algo y ven lo bien que funciona". Bertolero no participó en el estudio.
Aun así, "hay bastantes pruebas en el campo de que los niños con autismo son bastante idiosincrásicos", dice Koldewyn. En lo que respecta a los cambios cerebrales, los investigadores tienen que suponer que las relaciones entre la conectividad funcional y otros rasgos de los niños con mucho movimiento que superan el control de calidad serán las mismas en todos los subconjuntos. "Eso no lo sabemos", dice.
Aunque enfoques como los de Nebel y su equipo son novedosos e importantes, no sustituyen a los esfuerzos por reducir el movimiento durante los estudios de IRMf en primer lugar, dice Bertolero. "Pueden formar parte de un conjunto de herramientas para tratar el movimiento, además de recoger más datos, lo cual es muy caro".
Nous Imaging, por ejemplo, ha tenido cierto éxito al combinar la biorretroalimentación y los juegos atractivos para ayudar a los participantes a permanecer quietos en una máquina de fMRI. Koldewyn también ha comprobado que las pausas breves en el transcurso de la toma de imágenes pueden reducir la cantidad de movimientos del participante durante las exploraciones.
Los enfoques posteriores a la toma de imágenes y las estrategias para reducir el movimiento durante la toma de imágenes son importantes, dice Nebel, no sólo para los niños con autismo, sino también para las personas con otras condiciones que son propensas a moverse durante las exploraciones.
Cite este artículo: https://doi.org/10.53053/ZLQB7192
Comments