Un grupo de investigadores de la Universidad de Granada y la Universidad de Cambridge proponen en su último estudio que se establezcan diferentes subclases de Trastorno del Espectro Autista (TEA) más homogéneas de las que se emplean actualmente. Así se podría llegar a entender mejor el autismo y alcanzar una mayor precisión en el diagnóstico.
Los científicos han llegado a esta conclusión después de emplear técnicas de neuroimagen, como la Resonancia Magnética. Mediante esta técnica se percataron de que existe una gran cantidad de falsos diagnósticos positivos en las áreas cerebrales afectadas por TEA debido a las limitaciones derivadas del uso en la actualidad de esta técnica para este fin, ya que las imágenes obtenidas en diferentes centros de diagnóstico poseen diferencias sustanciales, lo que hace que no sean comparables.
Pese a que se ha intentado homogeneizar las distintas bases de datos de imágenes, las diferencias que existen entre tipo de escáner, modelos y otras características técnicas suelen hacer que los resultados se vean afectados por una gran cantidad de falsos positivos. Más aún si las diferencias debidas a la enfermedad son sutiles, como en el caso del TEA.
Un método estadístico
Por ello, el grupo de investigación SiPBA (Signal Processing and Biomedical Applications) de la UGR, no solo propone que se divida el autismo en subclases para poder estudiarlo y comprenderlo mejor, en lugar de agruparlo como hace el Manual para Diagnóstico de Enfermedades DSM-5, que se utiliza actualmente, sino que han desarrollado un método estadístico denominado SWPCA. Este método descompone los escáneres cerebrales como una combinación lineal de unas “componentes” que modelan las posibles fuentes de variabilidad en las imágenes cerebrales. Después, analizaron cuáles de estas posibles fuentes eran debidas o no a la enfermedad o a diferencias de adquisición, y eliminaron estas últimas. De esta forma, una vez eliminada esta variabilidad, realizaron un análisis exhaustivo, obteniendo resultados mucho más precisos.
Sobre el propio método, Francisco Martínez, investigador de la UGR, perteneciente al departamento de Teoría de la Señal, Telemática y Telecomunicaciones de la UGR y uno de los autores del trabajo, señala que “la base de datos es descompuesta de forma que las imágenes se representan como una combinación lineal de valores o scores y componentes o loadings, que modelan la variabilidad existente en dicha base de datos. Al extraer un set de loadings común, podemos ver cuáles de estas componentes se relacionan con el lugar de adquisición, mediante unos test que resultan en un valor de significancia estadística, o p-value. Utilizando estos valores podemos reconstruir la base de datos cancelando parcial o totalmente la contribución de las componentes relacionadas con las diferencias entre lugares de adquisición, obteniendo una base de datos más homogénea y directamente analizable”, explicaba.
Diferencias poco relevantes
Así, cuando eliminaron la variabilidad en la adquisición, fueron conscientes de que los patrones del autismo son diferentes, “nuestro análisis concluye que, una vez eliminada la variabilidad en la adquisición, las diferencias entre afectados y no afectados por el TEA son muy poco relevantes, o bien que los patrones de esta enfermedad son demasiado heterogéneos como para poder ser considerada globalmente”, expresaba.
Tras esto, los autores cancelaron los efectos del lugar de adquisición en una base de datos de Resonancia Magnética de pacientes con TEA y examinaron cómo cambiaba. Así concluyeron que las diferencias entre afectados por autismo y controles no eran relevantes, y que probablemente la mayoría de los estudios realizados con esta y otras bases de datos estén afectados por este problema.
Compartir