Um estudo publicado no mês passado no JAMA Network Open descreve como os pesquisadores combinaram dados de dispositivos vestíveis (wearables) e metodologias de aprendizado de máquina (machine learning) para ajudar a prever o transtorno de déficit de atenção/hiperatividade (TDAH) e problemas de sono em crianças.
As estatísticas dos Centros de Controle e Prevenção de Doenças (CDC) dos Estados Unidos indicam que o TDAH é um dos distúrbios do neurodesenvolvimento mais comuns da infância. As crianças afetadas podem lutar para controlar comportamentos impulsivos, prestar atenção ou ser excessivamente ativas. Nos EUA, estima-se que o TDAH afeta 6 milhões de crianças entre três e 17 anos.
Os pesquisadores observaram que os problemas de sono geralmente aparecem junto com os sintomas do TDAH. Ambos podem ter um impacto significativo na saúde mental de uma criança. Esses impactos destacam a importância da detecção precoce, mas as abordagens de diagnóstico baseadas em entrevistas têm algumas limitações, afirmaram. Para combater isso, a equipe de pesquisa desenvolveu uma ferramenta para prever problemas de TDAH e sono usando fenótipos digitais, criados com dados vestíveis.
Os participantes do cohort (grupo com o mesmo problema) e seus dados foram obtidos do estudo de Desenvolvimento Cognitivo do Cérebro Adolescente (ABCD) apoiado pelo National Institutes of Health (NIH), o maior estudo de longo prazo sobre desenvolvimento do cérebro e saúde infantil já feito nos EUA.
Os pesquisadores aproveitaram os dados sobre o sexo de cada participante, dispositivo vestível, antropometria da juventude e dados K-SADS do estudo ABCD, expandindo-os para refletir os ritmos circadianos diários dos participantes por meio de biomarcadores físicos e dados dos dispositivos vestíveis. Esses dados foram provenientes de tecnologias móveis e vestíveis emitidas pela ABCD e incluíam frequência cardíaca, estágio do sono para os registros de 30 e 60 segundos, calorias, intensidade e equivalentes metabólicos.
Para gerar recursos preditivos, a equipe de pesquisa excluiu dados dos wearables registrados por menos de 30 minutos por hora e menos de cinco horas por dia. A partir daí, foram criadas 64 características circadianas, incluindo batimentos cardíacos diurnos e noturnos e contagem de passos, duração dos cochilos e duração do sono.
Usando dados de triagem de 6.571 pacientes e 21 dias de dados dos wearables de 5.725 pacientes coletados no acompanhamento de dois anos, recursos baseados no ritmo circadiano foram gerados para cada participante. No total, 12.348 pontos de dados dos dispositivos vestíveis para TDAH e 39.160 para problemas de sono foram mesclados para uso nos modelos de machine learning.
Das 6.571 crianças com dados de triagem, 1.090 foram incluídas na análise de TDAH, com 79 servindo como verdadeiros diagnósticos e 1.011 como controles. Da mesma forma, 3.414 crianças foram incluídas na análise de problemas de sono, com 68 como diagnósticos verdadeiros e 3.346 como controles.
Para prever cada diagnóstico, os modelos de random forest, aumento de gradiente extremo e máquina de aumento de gradiente leve (LightGBM) foram executados 50 vezes para estimar um desempenho médio. O desempenho foi medido usando a área sob a curva de características operacionais do receptor, sensibilidade, especificidade, valor preditivo positivo (PPV) e valor preditivo negativo (VPN). A importância de cada recurso foi calculada usando o valor Shapley Additive Explanations.
No geral, os modelos alcançaram desempenho preditivo razoável para TDAH, com o modelo LightGBM mostrando o desempenho médio mais alto: AUC foi 0,791, sensibilidade foi 0,718, especificidade foi 0,716, PPV foi 0,152 e VPN foi 0,973.
O modelo LightGBM também apresentou o maior desempenho médio no grupo de problemas de sono, com 0,735 AUC, 0,718 sensibilidade, 0,628 especificidade, 0,035 PPV e 0,992 VPN.
No que diz respeito à importância das características, as características mais relevantes para a previsão de TDAH foram sexo, estatísticas de estimativa de linha média de ritmo cardíaco, frequência cardíaca máxima, frequência cardíaca mínima diurna e duração do sono em um intervalo de 60 segundos.
Para o grupo de problemas de sono, as características preditivas mais importantes foram a duração do sono durante uma soneca, a duração da atividade sedentária quantificada usando equivalentes metabólicos, a soma de calorias, passos e frequência cardíaca.
Os pesquisadores concluíram que essas descobertas mostram o potencial de um modelo preditivo baseado em machine learning para a detecção precoce de TDAH e problemas de sono usando fenótipos digitais de dispositivos vestíveis. No entanto, estudos de acompanhamento podem melhorar ainda mais o desempenho do modelo.
