Un modelo de IA predice el déficit de atención en adultos utilizando realidad virtual y datos de movimiento ocular
Un casco de realidad virtual, sensores y algoritmos inteligentes podrían revolucionar el diagnóstico del trastorno por déficit de atención con hiperactividad (TDAH) en adultos. Un nuevo estudio demuestra cómo la tecnología permite detectar el trastorno con un 81% de precisión.
Por Enrique Coperías
Una participante adulta realiza una prueba de atención en un entorno de realidad virtual mientras se registran sus movimientos oculares, actividad cerebral y síntomas en tiempo real como parte de un innovador método para diagnosticar el TDAH. Imagen generada con DALL-E
El trastorno por déficit de atención e hiperactividad (TDAH) no es solo cosa de niños: afecta también a millones de adultos en todo el mundo. Sin embargo, su diagnóstico en la edad adulta sigue siendo un gran desafío clínico.
Esto se debe a la heterogeneidad de sus síntomas, que pueden variar desde la inatención sutil hasta la hiperactividad bien definida, y a la falta de marcadores biológicos objetivos que lo confirmen. A día de hoy, el diagnóstico de ls TDAH en adultos depende en gran medida de entrevistas clínicas y cuestionarios retrospectivos, lo cual introduce un margen importante de error, bien sea por sesgos de memoria o bien por informes deliberadamente distorsionados.
Para afrontar esta dificultad, un grupo de investigadores de la Universidad de Bonn, en Alemania, ha desarrollado un enfoque pionero que combina realidad virtual (VR), seguimiento ocular, mediciones del movimiento de la cabeza, autoevaluaciones en tiempo real y aprendizaje automático.
Su objetivo: mejorar la precisión del diagnóstico del TDAH en adultos y ofrecer una evaluación más objetiva, realista y basada en múltiples fuentes de datos. Los resultados de este estudio, publicados en la revista Translational Psychiatry, muestran una tasa de acierto del 81 % a la hora de distinguir a adultos con TDAH de personas sin el trastorno.
En un aula virtual con un casco de RV
“El TDAH es un trastorno complejo y heterogéneo, y, hasta la fecha, no existen pruebas cognitivas ni biomarcadores que lo detecten con precisión y fiabilidad —dice el coautor principal del estudio Benjamin Selaskowski, del Departamento de Psiquiatría y Psicoterapia, en el Hospital Universitario de Bonn. Y añade—: No obstante, este tipo de medidas objetivas facilitaría enormemente el proceso diagnóstico».
La herramienta principal desarrollada por el equipo es una especie de aula virtual, llamada virtual seminar room (VSR), en la que los participantes se sumergen mediante un casco de realidad virtual (RV). Allí, deben completar una tarea de atención sostenida —una variante de la clásica prueba neuropsicológica de rendimiento contínuo—mientras se introducen distracciones visuales y auditivas que simulan un entorno cotidiano, como ruidos de fondo o movimientos inesperados
Durante esta experiencia, se registran de forma simultánea la actividad cerebral mediante electroencefalografía EEG), los movimientos oculares, el comportamiento motor (actigrafía de cabeza) y autoevaluaciones continuas sobre el estado de atención, impulsividad e hiperactividad.
Un modelo entrenado para el TDAH
«Evidencias preliminares indican que combinar múltiples modalidades de evaluación podría mejorar la precisión diagnóstica. Además, ya hay datos que muestran que la realidad virtual puede incrementar la validez de las pruebas cognitivas en TDAH, al ofrecer un entorno más realista», señala Selaskowski.
La investigación se desarrolló en dos fases. Primero, se entrenó un modelo de aprendizaje automático con los datos recogidos de cincuenta adultos: veinticinco con diagnóstico confirmado de TDAH y veinticinco controles sanos. En la segunda fase, el modelo fue puesto a prueba con una muestra independiente de 36 participantes (dieciocho con TDAH y dieciocho sin esta condición), lo cual permite comprobar si el sistema funciona con nuevos individuos y no solo con los datos con los que fue entrenado.
Cada participante usó un visor VR mientras realizaba la tarea de atención. El sistema registraba su respuesta a los estímulos, así como múltiples parámetros fisiológicos y de comportamiento. Para seleccionar los datos más relevantes, los investigadores emplearon un método estadístico llamado de máxima relevancia y mínima redundancia (MRMR), que prioriza las variables más informativas y que están menos correlacionadas entre sí.
Movimientos clave de cabeza y ojos
De las 76 variables posibles, el modelo final utilizó solo once para lograr su máximo rendimiento. Estas variables procedían de cuatro de las cinco modalidades registradas: seguimiento ocular, movimiento de la cabeza, autoevaluaciones y rendimiento en la tarea. Llamativamente, las medidas procedentes del EEG no mejoraron la capacidad predictiva del modelo, y, por tanto, fueron descartadas.
Entre los predictores más importantes destacaron el grado de dispersión de la mirada (gaze wandering), la variabilidad en los tiempos de reacción y el movimiento de la cabeza durante la tarea. También resultaron muy relevantes las autoevaluaciones de inatención, hiperactividad e impulsividad que los participantes realizaban dentro del entorno virtual a través de una interfaz gestual.
«Este estudio demuestra que combinar múltiples tipos de información puede ser muy eficaz para identificar a adultos con TDAH”, apunta Annika Wiebe, también coautora principal del trabajo. Y añade—: Los datos del entorno virtual muestran que el rendimiento en la tarea de atención, los movimientos oculares, el movimiento de la cabeza y las autoevaluaciones son los elementos más útiles para distinguir a las personas con TDAH de aquellas que no lo tienen».
El TDAH también afecta a millones de adultos, pero su diagnóstico sigue siendo complejo debido a la variedad de síntomas y la ausencia de marcadores biológicos objetivos. Pruebas en aulas virtuales con RV e inteligencia artificial podrían afinar el diagnóstico. Imagen generada con Gemini
En un entorno casi real
La precisión del modelo en la muestra de prueba fue del 81 %, con una sensibilidad del 78 % y una especificidad del 83 %. Es decir, el sistema acertó al identificar correctamente al 78 % de los casos con TDAH y al 83 % de los controles. Aunque estas cifras son similares a las alcanzadas en estudios anteriores con técnicas de aprendizaje automático, lo verdaderamente relevante es que en esta ocasión el modelo fue validado con un conjunto de datos independiente, lo que aumenta significativamente su aplicabilidad clínica.
La elección del entorno de realidad virtual no fue casual. Según explican los autores, los test tradicionales de atención se realizan en entornos artificiales y silenciosos que no reflejan las condiciones reales en las que las personas con TDAH suelen experimentar dificultades. Al introducir distracciones similares a las del día a día, el aula virtual permite observar reacciones y patrones de comportamiento que podrían pasar desapercibidos en pruebas más convencionales.
Esta característica incrementa la llamada validez ecológica, es decir, la capacidad de una prueba para reflejar el comportamiento en situaciones reales.
La autoevaluación en tiempo real en el TDAH
Curiosamente, la electroencefalografía, una herramienta habitualmente utilizada en investigaciones sobre TDAH, no aportó valor en este caso. «Nos llamó la atención que los parámetros de EEG evaluados no contribuyeran a la precisión predictiva del modelo —comenta Selaskowski. Y añade—: A pesar del uso extendido del EEG en el estudio del TDAH, nuestros resultados sugieren que otras medidas, como pueden ser el seguimiento ocular, el movimiento de la cabeza y las autoevaluaciones en tiempo real, son más informativas a la hora de distinguir adultos con déficit de atención e hiperactividad».
El estudio también pone sobre la mesa una reflexión interesante sobre el papel de la autoevaluación en tiempo real. Si bien tradicionalmente se ha cuestionado su fiabilidad en personas con TDAH, debido a posibles distorsiones en la percepción de sus propios síntomas, en este entorno controlado y contextualizado, las respuestas autorreportadas resultaron ser uno de los pilares del modelo predictivo.
No obstante, el estudio presenta algunas limitaciones, principalmente el tamaño de la muestra (86 personas en total), lo cual restringe la generalización de los resultados. Aun así, la inclusión de una muestra de prueba independiente supone un avance metodológico clave. «Es necesario seguir investigando con poblaciones más amplias y diversas para validar y perfeccionar este enfoque diagnóstico», advierte Wiebe.
La IA en el diagnóstico del TDAH
De cara al futuro, los autores tienen claro su objetivo. «Queremos desarrollar una herramienta diagnóstica estandarizada y eficiente para el TDAH en adultos, que pueda aplicarse fácilmente en entornos clínicos —dice Selaskowski. Y añade—: A medida que afinemos nuestro sistema basado en realidad virtual y lo validemos en estudios de mayor escala, esperamos mejorar la precisión y fiabilidad de los diagnósticos de TDAH y, potencialmente, extender este enfoque a otros trastornos del neurodesarrollo».
En palabras de Wiebe, «los nuevos hallazgos subrayan la importancia de integrar múltiples modalidades de evaluación cuando se diagnostican trastornos complejos como el TDAH. Y lo más importante: a diferencia de la mayoría de investigaciones anteriores, nuestro estudio validó el modelo predictivo con datos independientes, lo cual refuerza su solidez y su posible relevancia clínica».
Según los autores, esta investigación representa un paso importante hacia una evaluación más objetiva, personalizada y eficiente del TDAH en adultos. Combinando la tecnología inmersiva de la realidad virtual con datos conductuales y fisiológicos, y apoyándose en algoritmos inteligentes, el sistema desarrollado por este equipo podría convertirse en una herramienta clave para transformar el diagnóstico del TDAH, hasta ahora anclado en métodos subjetivos y poco adaptados a la realidad del paciente. ▪️
Fuente: Wiebe, A., Selaskowski, B., Paskin, M. et al. Virtual reality-assisted prediction of adult ADHD based on eye tracking, EEG, actigraphy and behavioral indices: a machine learning analysis of independent training and test samples. Translational Psychiatry (2024). DOI: https://doi.org/10.1038/s41398-024-03217-y
