غربالگری و تشخیص اوتیسم در کودکان کار آسانی نیست. یک تیم بین‌رشته‌ای به رهبری محققان علوم کامپیوتر در حال ایجاد یک سیستم سریع‌تر، قابل‌اطمینان‌تر و در دسترس است تا به پزشکان کمک کند تا کودکان را از نظر اختلالات رشدی مانند اوتیسم و بیش‌فعالی غربال کنند. برای کودکان با اختلال طیف اوتیسم، تشخیص زودهنگام می‌تواند تفاوت بزرگی در بهبود رفتار، مهارت‌ها و رشد زبان ایجاد کند، امّا علی‌رغم اینکه یکی از شایع‌ترین ناتوانی‌های رشدی است که از هر ۳۶ کودک در جهان ۱ کودک را تحت‌تأثیر قرار می‌دهد، تشخیص آن چندان راحت نیست.
محققان گفته‌اند در تلاش برای تشخیص، غربالگری و طبقه‌بندی شرایط پیچیده‌ای؛ مانند اختلال طیف اوتیسم، دانستن اینکه چه سؤالاتی و با چه ترتیبی باید بپرسید چالش‌برانگیز است.
به‌این‌ترتیب، اداره این سیستم دشوار است و می‌تواند نتایج مثبت کاذب ایجاد کند، یا اختلال طیف اوتیسم را به‌عنوان سایر اختلالات همراه، مانند اختلال نقص‌توجه – بیش‌فعالی مخدوش کند. در نتیجه، بسیاری از کودکان نمی‌توانند درمان‌های موردنیاز خود را در یک زمان حساس دریافت کنند. یک تیم بین‌رشته‌ای به سرپرستی محققان علوم کامپیوتر، با همکاری کارشناسان بالینی و محققان اوتیسم، امیدوار است با ایجاد یک سیستم سریع‌تر، قابل‌اعتمادتر و در دسترس‌تر برای غربالگری کودکان طیف اوتیسم، این امر را بهبود ببخشند. روش مبتنی بر هوش مصنوعی به شکل یک تست تطبیقی کامپیوتری است که توسط یادگیری ماشینی پشتیبانی می‌شود و به پزشکان بالینی کمک می‌کند تا براساس پاسخ‌های قبلی مراقبین تصمیم بگیرند که در زمان واقعی چه سؤالاتی بپرسند.
در این مطالعه، تیم تحقیقاتی دانشمندان کامپیوتر و روان‌شناسان بالینی به طور خاص به تمایز بین اختلال طیف اوتیسم و نقص توجه، تمرکز و بیش‌فعالی در کودکان مدرسه‌ای پرداختند. اوتیسم و نقص توجه و تمرکز هر دو اختلالات عصبی رشدی هستند که اغلب به اشتباه تشخیص داده می‌شوند. رفتارهایی که کودک به دلیل نقص توجه، تمرکز و بیش‌فعالی نشان می‌دهد، مانند تکانشگری یا روابط اجتماعی ضعیف، ممکن است شبیه اوتیسم باشد و بالعکس. به‌این‌ترتیب، کودکان را می‌توان به‌عنوان در معرض خطر برای شرایطی که ممکن است نداشته باشند، علامت‌گذاری کرد که به طور بالقوه ارزیابی، تشخیص و مداخله صحیح را به تأخیر می‌اندازد. بر اساس مطالعه‌ای که توسط مراکز کنترل و پیشگیری از بیماری‌ها و دانشگاه واشنگتن انجام شد، در واقع، اوتیسم ممکن است در ۹ درصد از کودکان اشتباه تشخیص داده شود.
برای کمک به تشخیص، پزشک توانایی‌های ارتباطی و رفتارهای اجتماعی کودک را با جمع‌آوری سابقه پزشکی و پرسیدن سؤالات باز از مراقبان ارزیابی می‌کند. به‌عنوان‌مثال، سؤالات شامل رفتارهای تکراری یا تشریفات خاصی است که می‌تواند نشانه‌های اوتیسم باشد. در پایان فرایند، یک الگوریتم به پزشک برای غربالگری کمک می‌کند تا یک امتیاز را محاسبه کند که به‌عنوان بخشی از تشخیص استفاده می‌شود. اما سؤالات پرسیده شده باتوجه‌به پاسخ‌های مصاحبه‌شونده تغییر نمی‌کند که می‌تواند منجر به همپوشانی اطلاعات و افزونگی شود.
راهی برای به حداکثر رساندن دقّت تشخیصی
روش جدید محققان به‌عنوان یک نمودار جریان هوشمند عمل می‌کند که براساس پاسخ‌های قبلی پاسخ‌دهنده تطبیق می‌کند و توصیه می‌کند با در دسترس قرارگرفتن داده‌های بیشتر درباره کودک، کدام مورد بعدی را بپرسید. به‌عنوان‌مثال، اگر کودک قادر به برقراری مکالمه باشد، می‌توان فرض کرد که او مهارت‌های ارتباط کلامی دارد. آردولوف گفت: بنابراین، مدل ما ممکن است پیشنهاد کند که ابتدا در مورد گفتار سؤال شود و سپس تصمیم بگیریم که آیا در مورد مهارت‌های مکالمه براساس پاسخ سؤال شود یا خیر. این به طور مؤثر سبب به‌حداقل‌رساندن پرس‌و‌جوها می‌شود، درحالی‌که اطلاعات جمع‌آوری‌شده را به حداکثر می‌رساند.
آن‌ها از روش یادگیری Q، یک روش آموزشی یادگیری تقویتی مبتنی بر پاداش‌دادن به رفتارهای موردنظر و تنبیه رفتارهای نامطلوب استفاده کردند تا پیشنهاد کنند که کدام موارد باید برای تمایز بین اختلالات و تشخیص دقیق پیگیری شود. محققان می‌گویند به‌جای اینکه فقط پاسخ‌ها را در پایان خرد کنیم، این بهترین سؤال بعدی است که باید در طول فرایند پرسید. در نتیجه، مدل‌های ما در صورت ارائه اطلاعات کمتر در پیش‌بینی بهتر عمل می‌کنند.
به گفته محققان، این آزمایش جایگزین تشخیص یک پزشک واجد شرایط نیست، بلکه برای کمک به تشخیص و غربالگری سریع‌تر و دقیق‌تر است. این تحقیق این پتانسیل را دارد که پزشکان را قادر می‌سازد تا فرایند تشخیص را به طور مؤثرتری طی کنند، چه به‌موقع‌تر باشد، چه با کاهش برخی فشارهای شناختی که نشان‌داده‌شده است تأثیر فرسودگی شغلی را کاهش می‌دهد.
اگرچه هنوز کارهایی وجود دارد که باید قبل از آماده‌شدن این فناوری برای استفاده بالینی انجام شود، نارایانان گفت که این یک اثبات مفهومی امیدوارکننده برای رابط‌های تطبیقی در تشخیص اختلالات ارتباط اجتماعی و احتمالاً بیشتر است.
