DETECTAA-AI: un prototipo educativo para explorar el apoyo al cribado del desarrollo infantil

Nota editorial: este artículo documenta un proyecto educativo y sus resultados en los datos utilizados. No acredita validación clínica ni autorización para diagnosticar o tratar a pacientes. Las propuestas de aplicación sanitaria se conservan como objetivos del equipo, no como capacidades demostradas.

Quito. 2021

Exploramos, como ejercicio académico, el uso de la inteligencia artificial para apoyar la investigación sobre el cribado del desarrollo infantil.

Saturdays.AI es una iniciativa global que facilita el acceso a una formación de calidad en inteligencia artificial, desde distintos niveles educativos y profesionales. Con ese propósito, el equipo de investigación y desarrollo formado por {Andrea Mariana Escobar, Danny Aguirre, Luis Chamba Eras, Marco Chiluiza, Paúl Quezada}, decidió participar en la tercera edición de Saturdays.AI Quito, celebrada de forma virtual.

En la primera sesión hicimos una lluvia de ideas para elegir una línea de investigación con impacto social y vinculada a los objetivos de la Agenda 2030.

La propuesta inicial fue “Chatbot para la gestión de emociones de niños autistas”. Elaboramos un primer árbol de problemas (Fig. 1) y revisamos la literatura para delimitar su alcance. Encontramos 27 artículos científicos relacionados (véase Tabla 1).

Figura 1. Árbol de problemas inicial.

La revisión de la literatura nos ayudó a comprender trabajos anteriores y posibles líneas de investigación en informática con un fin social. También encontramos una limitación importante: no identificamos un conjunto de datos de acceso libre adecuado para la propuesta inicial.

También consultamos grupos y recursos sobre autismo en redes sociales y en la web. Esta exploración puso de relieve la diversidad de experiencias y la necesidad de escuchar a las personas autistas, sus familias y los profesionales. Para resolver las dudas iniciales y valorar la viabilidad del proyecto, buscamos asesoramiento especializado.

Durante la búsqueda encontramos un conjunto de imágenes en Kaggle (https://www.kaggle.com/gpiosenka/autistic-children-data-set-traintestvalidate), cuyas etiquetas se habían utilizado en experimentos de clasificación relacionados con el autismo. Esto desplazó el enfoque del proyecto desde las emociones hacia la clasificación de imágenes faciales. Poder clasificar las etiquetas de ese conjunto de datos no demuestra que sea posible diagnosticar autismo a partir de una fotografía.

Realizamos dos entrevistas para conocer la perspectiva profesional. En la primera, presentamos la propuesta a la especialista Amparito Morales. Sus dudas iniciales nos ayudaron a discutir posibles usos y limitaciones de la tecnología en centros educativos, especialmente en el trabajo del Departamento de Consejería Estudiantil (DECE). El equipo planteó una herramienta de apoyo a la priorización de evaluaciones. La conversación exploró esa idea, pero no constituye una validación clínica del análisis de fotografías.

De la primera entrevista surgió la segunda, con la reconocida investigadora Catalina López, investigadora en Ecuador que trabaja en enfoques sensoperceptivos y en la adaptación de herramientas al contexto del país.

En el momento de la entrevista, Catalina López trabajaba en una herramienta de tamizaje para niños y adolescentes de 4 a 17 años. Comentó la propuesta y sugirió líneas relacionadas con sus investigaciones, como el uso de realidad virtual y la automatización de cuestionarios. También destacó requisitos como la protección de datos, la privacidad, la confidencialidad, el consentimiento informado y la ética. Su valoración de la idea no equivale a una validación del prototipo.

La investigadora también propuso explorar chatbots de voz o texto para estudiar patrones de interacción. La entrevista ayudó a delimitar el proyecto DETECTAA-AI: un componente experimental de clasificación facial y una herramienta de tamizaje (Fig. 3), junto con posibles líneas futuras.

Figura 2. Entrevista con Catalina López, Especialista en Perturbaciones de la Comunicación Humana de la Universidad Andina Simón Bolívar.

Figura 3. Lluvia de ideas del modelo inicial del proyecto DETECTAA-AI.

Contexto

Los trastornos del neurodesarrollo pueden afectar áreas como la atención, la memoria, el lenguaje, el aprendizaje o la interacción social. Las características y necesidades de apoyo varían de una persona a otra. En este ámbito se estudian, entre otras condiciones, el trastorno por déficit de atención e hiperactividad, el trastorno del espectro autista, las dificultades específicas del aprendizaje y la discapacidad intelectual.

Nota de revisión: el lenguaje y las cifras de la cita siguiente pertenecen a una fuente histórica. No describen de forma completa la diversidad de experiencias autistas ni deben leerse como datos actuales. El diagnóstico requiere una evaluación del desarrollo y el comportamiento, no una fotografía. Véase la información del NIMH sobre el diagnóstico del autismo.

“El autismo es un trastorno neurológico complejo que generalmente dura toda la vida. Es parte de un grupo de trastornos conocidos como trastornos del espectro autista (TEA). Actualmente se diagnostica con autismo a 1 de cada 68 individuos y a 1 de cada 42 niños varones, haciéndolo más común que los casos de cáncer, diabetes y SIDA pediátricos combinados. Se presenta en cualquier grupo racial, étnico y social, y es cuatro veces más frecuente en los niños que en las niñas. El autismo daña la capacidad de una persona para comunicarse y relacionarse con otros. También, está asociado con rutinas y comportamientos repetitivos, tales como arreglar objetos obsesivamente o seguir rutinas muy específicas. Los síntomas pueden oscilar desde leves hasta muy severos” [1].

El autismo en Ecuador

De acuerdo a la especialista Catalina López, se tiene los siguientes avances:

En la documentación histórica consultada por el equipo se citaba una estimación mundial cercana al 1 % para el TEA. El artículo enlazado también recoge 1.521 casos registrados en Ecuador en 2018, además de una cifra del 13,75 % de diagnósticos erróneos. Estas referencias corresponden a las fuentes y al contexto del proyecto; no deben interpretarse como estimaciones actuales ni directamente comparables.

¿Cuál es el problema?

El personal que labora en los departamentos de consejería estudiantil de las unidades educativas (DECE) debe realizar evaluaciones para determinar los alumnos que pudiesen presentar problemas de comportamiento. Debido a la gran cantidad de estudiantes asignados a cada profesional de estos departamentos, el proceso de evaluación consume la mayor cantidad de tiempo disponible por este personal, dejando muy pocos recursos para profundizar el diagnóstico y apoyo a los niños que realmente presentan trastornos del desarrollo. En la Fig. 4 se observa el árbol de problemas, que se lo obtuvo, previa lluvia de ideas, lectura de la literatura y luego de las entrevistas.

Figura 4. Árbol de problemas relacionados con el proyecto DETECTAA-AI.

¿Cómo lo pensamos resolver?

Se desarrollará una aplicación Web formada por dos componentes (Fig. 3).

El primer componente es un clasificador experimental de fotografías faciales. Se entrenó con las etiquetas del conjunto disponible en Kaggle (https://www.kaggle.com/gpiosenka/autistic-children-data-set-traintestvalidate). Su evaluación debe distinguir entre reconocer patrones del conjunto de datos y demostrar utilidad clínica. Las imágenes no permiten observar por sí solas el desarrollo ni el comportamiento de un niño.

El tamizaje o cribado utiliza pruebas para identificar a personas que podrían necesitar una evaluación más detallada. No confirma ni descarta por sí solo un diagnóstico.

El segundo componente explora el uso del test MCHAT, como base para una posible interfaz futura de preguntas y respuestas. Su uso requiere respetar las instrucciones, la población de aplicación y las condiciones del instrumento; no debe generalizarse a todas las edades propuestas por el proyecto.

¿Cómo se vincula el proyecto con los objetivos de desarrollo sustentables?

Se vincula con dos objetivos:

Primero, con el de Salud y bienestar (ODS 3), meta: reforzar la capacidad de todos los países, en particular los países en desarrollo, en materia de alerta temprana, reducción de riesgos y gestión de los riesgos para la salud nacional y mundial.

Segundo, con la Reducción de las desigualdades (ODS 10), por el objetivo de explorar herramientas accesibles que puedan apoyar a comunidades con menos recursos de atención especializada. Esta relación expresa la aspiración social del proyecto, no un impacto demostrado.

¿Cuál es la hipótesis del proyecto?

La hipótesis del equipo era que un prototipo con inteligencia artificial podría contribuir a investigar herramientas de apoyo al cribado del desarrollo infantil. Su utilidad clínica quedó pendiente de evaluación.

¿Cuál es la población objetivo?

Niños de 0 a 12 años
Padres, madres, cuidadores
Educadores
Especialistas de los DECE
Investigadores

¿Qué nos dice la literatura científica sobre proyectos relacionados con el reconocimiento facial?

La literatura científica que soporta nuestro proyecto se resume en la Tabla 2.

¿Qué es la visión por computador?

Es un campo de la Inteligencia Artificial enfocado a que las computadoras puedan extraer información a partir de imágenes, ofreciendo soluciones a problemas del mundo real (Fig. 5).

Figura 5. Ejemplos de las dos categorías etiquetadas en el conjunto de datos. La imagen no constituye una prueba diagnóstica de TEA.

¿Qué áreas del conocimiento se vinculan?

Ciencias de la Salud (Salud Mental).
Ciencias de la Computación (Inteligencia Artificial, Visión por Computador).

Metodología

Utilizamos la metodología Design Thinking. La Fig. 6 resume las etapas del trabajo.

Figura 6. Descripción de cada una de las etapas de la metodología de acuerdo con el proyecto DETECTAA-AI.

En la Fig. 7, se tiene un lienzo de trabajo proporcionado por https://www.analogolab.co/, para aplicar los principios de Design Thinking. En este enlace Web, puede consultarse el diseño completo del proyecto.

Figura 7. Idea general del proyecto, Mapeo de actores vinculados con el proyecto, definir los clientes o interesados en el proyecto, futuros beneficiarios, Declaración de la idea, Factores positivos, oportunidades, problemas y soluciones.

Resultados

Arquitectura

La arquitectura del proyecto está dividida en una aplicación de Frontend y una aplicación de Backend (ver Fig. 8). El Frontend, desarrollado con Flask (Framework de Python), contiene todas las interfaces con las cuales el usuario final interactúa. Esta, a su vez, se conecta mediante un endpoint al Backend. En el Backend se encuentra una API, desarrollada con Flask, que contiene un modelo de Deep Learning entrenado con librerías de TensorFlow y un conjunto de imágenes obtenidas desde Kaggle. El Frontend también interactúa con un modelo entrenado en Teachable Machine (una plataforma de Google para entrenar modelos de machine learning de forma rápida y fácil).

Figura 8. Arquitectura propuesta para DETECTAA-AI.

Enlaces Web a las API y a la aplicación de DETECTAA-AI:

Teachable Machine: https://teachablemachine.withgoogle.com/models/5O0q09n5c/
API Modelo Tensorflow: https://reconocimientoteaapi.herokuapp.com/
FrontEnd: https://detectai.herokuapp.com/

Flujo de trabajo de DETECTAA-AI

En el primer ejemplo, etiquetado en el proyecto como un niño con TEA, los modelos y el cuestionario produjeron resultados coincidentes con esa etiqueta (Fig. 9). Las puntuaciones mostradas no representan probabilidades clínicas validadas.

Figura 9. Flujo de trabajo, caso 1.

En el segundo ejemplo, etiquetado como una niña sin TEA, se registraron puntuaciones de 100 % en Teachable Machine y 85,28 % en TensorFlow, junto con un resultado de riesgo bajo en M-CHAT (Fig. 10). Son salidas del prototipo, no medidas de exactitud diagnóstica.

Figura 10. Flujo de trabajo, caso 2.

En el tercer ejemplo, etiquetado como un niño sin TEA, los clasificadores coincidieron con la etiqueta, mientras que M-CHAT devolvió riesgo alto (Fig. 11). La discrepancia muestra por qué no deben equipararse estas salidas a un diagnóstico.

Figura 11. Flujo de trabajo, caso 3.

Conclusiones

Con el desarrollo del proyecto DETECTAA-AI se llegó a las siguientes conclusiones:

El prototipo clasifica las etiquetas de un conjunto de imágenes; este resultado no demuestra que detecte TEA en personas.
Para mejorar la evaluación serían necesarios datos representativos, una revisión de sus etiquetas y una validación independiente; añadir más imágenes, por sí solo, no basta.
Los algoritmos de inteligencia artificial sirven como un apoyo a los profesionales de la salud, más no como un reemplazo.
Estas iniciativas requieren colaboración entre la academia, el Estado, las empresas, las asociaciones y las personas a quienes se dirigen, de acuerdo con el contexto ecuatoriano.
Combinar la investigación científica a procesos profesionales, permite construir prototipos escalables en el tiempo.
El prototipo DETECTAA-AI, debe usarse con fines académicos y de investigación, como ejemplo de prueba de concepto, y no para ofrecerla como herramienta de diagnóstico final, ya que se necesita un equipo de profesionales que aporten en la detección del TEA.

Líneas futuras

Implementar la herramienta de tamizaje con NLP, de tipo de preguntas y respuestas, utilizando el cuestionario propuesto por la Dra. Catalina López en el contexto Ecuatoriano, considerando la privacidad, protección de datos, entre otros.
Obtener una base de datos propia de imágenes en el contexto de Ecuador, para realizar pruebas al prototipo DETECTAA-AI.
Explorar, como línea de investigación, el procesamiento del lenguaje natural y de la voz, sin asumir que estos patrones permiten diagnosticar TEA.
Concientizar a la población que la tecnología puede ser un apoyo muy importante en el contexto de la Salud.

Recursos del proyecto DETECTAA-AI