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 36 کودک در جهان ۱ کودک را تحت‌تأثیر قرار می‌دهد، تشخیص آن چندان راحت نیست.
برای اوتیسم هیچ آزمایش آزمایشگاهی و هیچ علّت ژنتیکی مشخصی وجود ندارد. در عوض، پزشکان به رفتار کودک نگاه می‌کنند و براساس پرسش‌نامه‌ها مصاحبه‌های ساختاری با مراقبان کودک انجام می‌دهند. با این‌حال، این پرسش‌نامه‌ها گسترده، پیچیده و دارای خطا هستند. 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 9 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.
هوش مصنوعی چگونه می‌تواند به غربالگری اوتیسم در کودکان کمک کند؟
