Para los niños con trastornos del habla y del lenguaje, la intervención en la primera infancia puede marcar una gran diferencia en su posterior éxito académico y social. Pero muchos de esos niños, según un estudio estima el 60 por ciento, no se diagnostican hasta el jardín de infantes o incluso más tarde.
Los investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT y el Instituto de Profesiones de la Salud del Hospital General de Massachusetts esperan cambiar eso, con un sistema informático que puede detectar automáticamente a los niños pequeños para detectar trastornos del habla y del lenguaje y, potencialmente, incluso proporcionar diagnósticos específicos.
Esta semana, en la conferencia Interspeech sobre el procesamiento del habla, los investigadores informaron sobre un conjunto inicial de experimentos con su sistema, que arrojaron resultados prometedores. "No estamos cerca de terminar este trabajo", dice John Guttag, el Dugald CJackson, Profesor de Ingeniería Eléctrica y autor principal del nuevo artículo, "es una especie de estudio preliminar. Pero creo que es un estudio de viabilidad bastante convincente".
El sistema analiza las grabaciones de audio de las actuaciones de los niños en una prueba estandarizada de narración de cuentos, en la que se les presenta una serie de imágenes y una narración que las acompaña, y luego se les pide que vuelvan a contar la historia con sus propias palabras.
"La idea realmente emocionante aquí es poder realizar una detección de manera totalmente automatizada usando herramientas muy simples", dice Guttag. "Se podría imaginar que la tarea de contar historias se realiza totalmente con una tableta o un teléfono. Creo que esto se abreCreo que si pudiéramos hacer eso, sería una gran bendición para la sociedad ".
Señales sutiles
Los investigadores evaluaron el rendimiento del sistema utilizando una medida estándar llamada área bajo la curva, que describe la compensación entre identificar exhaustivamente a los miembros de una población que tiene un trastorno particular y limitar los falsos positivos. La modificación del sistema para limitar los falsos positivos generalmente resultaen limitar los verdaderos positivos también. En la literatura médica, una prueba de diagnóstico con un área bajo la curva de aproximadamente 0.7 generalmente se considera lo suficientemente precisa como para ser útil; en tres tareas distintas clínicamente útiles, el sistema de los investigadores osciló entre 0.74 y 0.86.
Para construir el nuevo sistema, Guttag y Jen Gong, un estudiante graduado en ingeniería eléctrica y ciencias de la computación y primer autor del nuevo artículo, utilizaron el aprendizaje automático, en el que una computadora busca en grandes conjuntos de datos de capacitación patrones que correspondan a determinadosclasificaciones: en este caso, diagnósticos de trastornos del habla y del lenguaje.
Jordan Green y Tiffany Hogan, investigadores del Instituto de Profesiones de la Salud de MGH, que estaban interesados en desarrollar métodos más objetivos para evaluar los resultados de la prueba de narración de historias, acumularon los datos de capacitación. "Se necesitan mejores herramientas de diagnóstico para ayudar a los médicos consus evaluaciones ", dice Green, él mismo un patólogo del habla y el lenguaje." Evaluar el habla de los niños es particularmente desafiante debido a los altos niveles de variación, incluso entre los niños con desarrollo típico. Se obtienen cinco médicos en la sala y se pueden obtener cinco respuestas diferentes ".
A diferencia de los impedimentos del habla que resultan de características anatómicas tales como el paladar hendido, los trastornos del habla y los trastornos del lenguaje, ambos tienen bases neurológicas. Pero, explica Green, afectan diferentes vías neuronales: los trastornos del habla afectan las vías motoras, mientras que los trastornos del lenguaje afectan las capacidades cognitivas y cognitivas.vías lingüísticas.
Pausas reveladoras
Green y Hogan habían planteado la hipótesis de que las pausas en el habla de los niños, mientras luchaban por encontrar una palabra o unir los controles motores necesarios para producirla, eran una fuente de datos de diagnóstico útiles. En eso se concentraron Gong y Guttag.identificó un conjunto de 13 características acústicas del habla de los niños que su sistema de aprendizaje automático podía buscar, buscando patrones que se correlacionaran con diagnósticos particulares, como el número de pausas cortas y largas, la duración promedio de las pausas, la variabilidad de suslongitud y estadísticas similares sobre enunciados ininterrumpidos.
Los niños cuyas actuaciones en la tarea de contar historias se registraron en el conjunto de datos se clasificaron como típicamente en desarrollo, con problemas de lenguaje o con problemas del habla. El sistema de aprendizaje automático fue entrenado en tres tareas diferentes:identificar cualquier impedimento, ya sea del habla o del lenguaje; identificar impedimentos del lenguaje e identificar impedimentos del habla.
Un obstáculo que los investigadores tuvieron que enfrentar fue que el rango de edad de los niños con desarrollo típico en el conjunto de datos era más estrecho que el de los niños con impedimentos: debido a que los impedimentos son relativamente raros, los investigadores tuvieron que aventurarse fuera de su rango de edad objetivo pararecolectar datos.
Gong abordó este problema utilizando una técnica estadística llamada análisis residual. Primero, identificó correlaciones entre la edad y el género de los sujetos y las características acústicas de su discurso; luego, para cada característica, corrigió esas correlaciones antes de alimentar los datos alalgoritmo de aprendizaje automático
"La necesidad de medidas confiables para evaluar a los niños pequeños con alto riesgo de trastornos del habla y del lenguaje ha sido discutida por los primeros educadores durante décadas", dice Thomas Campbell, profesor de ciencias del comportamiento y del cerebro en la Universidad de Texas en Dallas y ejecutivodirector del Centro Callier para Trastornos de la Comunicación de la universidad. "El enfoque automatizado de los investigadores para la detección proporciona un avance tecnológico emocionante que podría ser un gran avance en la detección del habla y el lenguaje de miles de niños pequeños en todo Estados Unidos".
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de Massachusetts . Original escrito por Larry Hardesty. Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :