NIMH » Los datos del registro de salud de los bebés pueden mejorar la detección temprana del autismo

27 de abril de 2023• Aspectos destacados de investigación

La detección del autismo en los primeros dos años de vida es una herramienta importante para garantizar que los niños y las familias reciban los apoyos y servicios adecuados lo antes posible. Aunque existen herramientas de detección eficaces, los investigadores están explorando nuevas formas de ayudar a que la detección temprana sea más precisa y objetiva. Los registros de salud de los niños pueden arrojar algunas ideas prometedoras, según una investigación respaldada por el Instituto Nacional de Salud Mental.

El equipo de investigación, dirigido por Matthew M. Engelhard, MD, y Geraldine Dawson, PhD, de la Universidad de Duke, notó que los registros de atención médica de los bebés incluían indicadores de salud como bajo peso al nacer y comportamientos observados con frecuencia en niños diagnosticados posteriormente con indicadores de autismo (como sueño y problemas de alimentación).

Dawson y sus colegas plantearon la hipótesis de que podrían usar el aprendizaje automático para integrar una variedad de medidas de registros de salud y desarrollar un modelo predictivo para identificar a los bebés que luego pueden ser diagnosticados con autismo. Además, plantearon la hipótesis de que el modelo podría identificar a los niños con autismo en el primer año de vida, antes de que se usaran las herramientas estándar de detección temprana del autismo.

Los investigadores analizaron más de 14 años de datos de registros de salud del Sistema de Salud de la Universidad de Duke para desarrollar y evaluar un modelo predictivo para la detección temprana del autismo. Los modelos incluyeron una gama de posibles predictores, incluidos detalles de visitas, signos vitales, códigos de procedimientos y mediciones de laboratorio. Para cada niño, los investigadores examinaron su información de salud registrada en varios puntos del primer año de vida: 30 días, 60 días, 90 días, 180 días, 270 días y 360 días de edad.

Usando códigos de diagnóstico médico documentados, el equipo identificó a los niños que luego fueron diagnosticados con trastorno del espectro autista, trastorno por déficit de atención/hiperactividad (TDAH) u otros trastornos del neurodesarrollo.

La muestra del estudio incluyó un total de 45.080 niños, incluidos 924 niños diagnosticados con autismo, 10.782 niños diagnosticados con TDAH u otros trastornos del desarrollo neurológico y un grupo de control de 33.374 niños que no cumplían con los criterios para ningún trastorno del desarrollo.

Engelhard, Dawson y sus colegas dividieron aleatoriamente la muestra en dos subconjuntos, usaron datos de un subconjunto para desarrollar modelos predictivos y usaron datos del otro subconjunto para probar el rendimiento de esos modelos. Evaluaron el desempeño comparando las predicciones del modelo estadístico (basado en los datos disponibles en el primer año de vida) con diagnósticos más adelante en la vida (basados ​​en códigos de diagnóstico).

Usando datos de registros de salud de los primeros 30 días de vida, el modelo identificó correctamente alrededor del 46 por ciento de los bebés que luego fueron diagnosticados con autismo, así como alrededor del 90 por ciento de los bebés que posteriormente no fueron diagnosticados con autismo. Usando datos de los primeros 360 días de vida, el modelo identificó correctamente alrededor del 60 por ciento de los niños diagnosticados con autismo (por código de diagnóstico), mientras que identificó correctamente alrededor del 82 por ciento de los bebés no diagnosticados.

Según los investigadores, los resultados sugieren que un modelo predictivo basado en datos de registros de salud puede proporcionar información clínicamente significativa antes que las herramientas estándar de detección temprana del autismo. Los investigadores también notaron que su modelo funcionó bien en diferentes muestras. Los modelos identificaron correctamente a los niños diagnosticados con autismo en todas las razas y etnias. Además, los modelos identificaron correctamente a los niños diagnosticados con autismo y TDAH. Esto es notable porque el TDAH y el autismo comparten algunos rasgos superpuestos, lo que dificulta la identificación precisa.

Estudios adicionales que comparen estos modelos con herramientas estándar de detección temprana del autismo ayudarán a aclarar si estos métodos identifican grupos similares o diferentes de niños en el espectro del autismo.

Los investigadores continúan refinando estos modelos de detección temprana. Su objetivo a largo plazo es desarrollar una forma objetiva de alertar a los proveedores de atención médica sobre los pacientes que tienen más probabilidades de recibir un diagnóstico de autismo. Los proveedores de atención médica pueden aumentar el seguimiento de estos pacientes para garantizar que reciban los servicios adecuados lo más rápido posible. Los investigadores planean combinar el modelo basado en registros de salud con encuestas a cuidadores y otras herramientas de detección en la práctica clínica, y probar cómo los padres y proveedores perciben el enfoque basado en registros de salud para la identificación temprana.

Referirse a

Engelhard, MM, Henao, R., Berchuck, SI, Chen, J., Eichner, B., Herkert, D., Kollins, SH, Olson, A., Perrin, EM, Rogers, U., Sullivan, C. , Zhu, Y., Sapiro, G. y Dawson, G. (2023). Valor predictivo de un modelo de detección temprana de autismo basado en datos de registros de salud electrónicos recopilados antes de 1 año de edad. JAMA Network Open, 6(2), artículo e2254303. https://doi.org/10.1001/jamanetworkopen.2022.54303

conceder

MH121329, HD093074