La evaluación y diagnóstico del trastorno por déficit de atención e hiperactividad (TDAH) ha dependido tradicionalmente de observaciones clínicas y evaluaciones conductuales que, aunque valiosas, pueden resultar complejas y consumir mucho tiempo. La empresa sueca Qbtech, fundada en 2002 en Estocolmo, ha revolucionado este proceso integrando mediciones objetivas con la experiencia clínica, facilitando así a los profesionales la toma de decisiones diagnósticas más informadas. Con más de un millón de pruebas completadas en 14 países, sus productos, como QbTest y QbCheck, han sido aprobados por la FDA y tienen el marcado CE, estableciéndose como herramientas amplias para la evaluación objetiva del TDAH. Recientemente, Qbtech ha ampliado su propuesta con QbMobile, una evaluación nativa en smartphones que utiliza Amazon Web Services (AWS) para ofrecer pruebas clínicas de TDAH directamente en los dispositivos de los pacientes.
La nueva herramienta busca democratizar el acceso a evaluaciones objetivas del TDAH, ya que este trastorno afecta a millones de personas en todo el mundo. Las diagnósticos tradicionales suelen conllevar largas esperas y múltiples visitas a clínicas. Aunque las soluciones de Qbtech han avanzado en evaluaciones a través de webcams y en clínicas, la compañía identificó la oportunidad de ampliar su acceso mediante la tecnología móvil. Para transformar las alimentaciones de las cámaras y los datos de los sensores en evaluaciones validadas clínicamente, Qbtech tuvo que procesar complejos flujos de datos multimodales y mantener la precisión necesaria a través de miles de variaciones de dispositivos.
La compañía utilizó técnicas de aprendizaje automático para procesar y analizar múltiples flujos de datos simultáneamente, seleccionando el algoritmo Binary LightGBM como modelo primario para la evaluación del TDAH. Este modelo utiliza 24 características derivadas del seguimiento facial, movimientos de la cabeza, patrones de errores durante las pruebas y otros indicativos demográficos. La capacidad del modelo para captar patrones sutiles de atención, hiperactividad e impulsividad ha sido fundamental y se logró con el apoyo de herramientas como Scikit-learn y SHAP para evaluar la importancia de las características.
Uno de los avances significativos en el proceso de desarrollo de Qbtech fue la implementación de capacidades de procesamiento paralelo en la infraestructura en la nube, accediendo a la potencia de AWS para reducir el tiempo de procesamiento de extraer características de datos de dos días a solo 30 minutos. Esto significó que el equipo pudo realizar 20 iteraciones de desarrollo de manera más eficiente, acelerando así el ciclo de desarrollo del modelo.
La validación clínica de QbMobile reveló que esta evaluación en smartphones mantiene los altos estándares clínicos de los productos existentes de Qbtech, permitiendo que los proveedores de salud realicen diagnósticos completamente remotos, facilitando la evaluación a pacientes que enfrentan desafíos logísticos para asistir a consultas en clínicas. Además, el uso de tecnologías de nube en su arquitectura garantiza no solo la escalabilidad del servicio ante un creciente número de usuarios, sino también la seguridad y el cumplimiento de normativas sanitarias, manteniendo el anonimato de los datos de los pacientes y respetando su privacidad.
Con la mirada puesta en el futuro, Qbtech planea explorar más flujos de datos y entradas de sensores para mejorar la precisión de las evaluaciones, así como incorporar nuevas características que capturen patrones de conducta adicionales, ampliando potencialmente sus capacidades diagnósticas más allá del TDAH. La utilización de la inteligencia artificial en la salud mental no solo promete mejorar el acceso a servicios especializados, sino que también podría transformar los procesos terapéuticos mediante diagnósticos más rápidos y precisos, adaptándose a las tendencias del cuidado de la salud en un mundo cada vez más digitalizado.
vía: AWS machine learning blog
