Como a IA está revolucionando o diagnóstico de autismo e TDAH

Os transtornos do neurodesenvolvimento (NDDs), como o do espectro autista (TEA), o de déficit de atenção e hiperatividade (TDAH) e a comorbidade entre ambos, têm apresentado crescimento expressivo nos diagnósticos nos últimos anos. Os sintomas vivenciados por esses indivíduos incluem prejuízos na comunicação social e verbal, déficits na inibição de respostas, hiperatividade, desatenção, interesses restritos e comportamentos repetitivos. Embora os critérios diagnósticos atuais se concentrem nesses sintomas, a complexidade e a sobreposição entre os quadros dificultam um diagnóstico precoce e preciso.

Estudos exploraram o uso de tecnologias avançadas, como sensores de movimento de alta definição e algoritmos de aprendizado profundo, para identificar padrões motores sutis que distinguem indivíduos com NDDs de neurotípicos. Movimentos cotidianos refletem aspectos importantes do controle neuromotor e das funções cognitivas, especialmente em populações com TEA e/ou TDAH, que frequentemente apresentam déficits motores mesmo em tarefas simples, como alcançar objetos. Evidências mostraram que esses sinais podem ser observados desde a infância, reforçando a importância dos marcadores motores como ferramenta promissora para avaliação precoce.

Nesse contexto, o artigo de Doctor e colaboradores (2025) investigou o potencial diagnóstico dos NDDs por meio da análise de padrões de movimento capturados com sensores de alta definição. Utilizando técnicas de aprendizado profundo e biomarcadores fisiológicos, os autores propuseram uma abordagem inovadora capaz de diferenciar indivíduos neurotípicos daqueles com NDDs e avaliar a gravidade das condições, oferecendo novas ferramentas complementares para a prática clínica.

O estudo envolveu 109 participantes recrutados entre 2019 e 2023, incluindo indivíduos com TEA, TDAH e comorbidade e neurotípicos, dos quais 92 foram incluídos na análise final após exclusões por dificuldades motoras. Os dados cinemáticos foram coletados por sensores Bluetooth de alta definição (XSENS MTw Awinda, 120 Hz), posicionados em uma luva na mão dominante dos participantes durante uma tarefa de alcance repetida cerca de 100 vezes. As variáveis medidas incluíram rotação (roll, pitch, yaw), velocidade angular, aceleração linear e jerk.

Os dados brutos foram analisados por uma rede neural profunda com células de memória de longo e curto prazo (LSTM), treinada para prever diagnósticos com base em subsequências dos movimentos. Além disso, foram calculados o Fator de Fano e a Entropia de Shannon para avaliar a variabilidade motora, contribuindo para a análise da gravidade dos NDDs.

A análise com aprendizado profundo (Deep Learning) revelou alta capacidade de discriminação entre indivíduos neurotípicos e aqueles com TEA, TDAH e a comorbidade entre ambos. Utilizando sensores de alta definição durante uma tarefa simples de alcance, os pesquisadores treinaram redes neurais com subsequências dos movimentos, alcançando acurácia média de até 67,8%.

A matriz de confusão mostrou que os erros de classificação entre TEA e TDAH tendem a ser atribuídos à comorbidade entre ambos, refletindo a sobreposição clínica dos quadros e a dificuldade em distingui-los, com alguns casos sendo inclusive confundidos com indivíduos neurotípicos. A exclusão de variáveis menos informativas, como a velocidade angular, melhorou o desempenho dos modelos.

Além disso, testes com embaralhamento de rótulos confirmaram que o modelo é sensível a padrões reais dos dados, reforçando sua validade diagnóstica. Comparado a modelos tradicionais como, máquina de vetores de suporte (SVM), a rede LSTM demonstrou desempenho superior. Esses dados indicaram que o Deep Learning pode ser uma ferramenta promissora para triagem automatizada de NDDs, mesmo sem informações clínicas prévias, especialmente quando se utiliza uma combinação de sinais motores.

O artigo de Doctor e colaboradores (2025) reforçou o potencial da inteligência artificial na identificação de NDDs por meio da análise de dados motores captados com sensores de alta precisão. Utilizando redes neurais profundas, foi possível distinguir diferentes condições clínicas com boa acurácia, mesmo diante de variáveis complexas e dados brutos. A análise estatística da variabilidade dos movimentos revelou padrões consistentes entre os grupos, sugerindo que características sutis do comportamento motor podem refletir aspectos cognitivos relevantes. Com a viabilidade de aplicar essa abordagem em ambientes não clínicos, aliada à evolução de dispositivos portáteis, como smartphones e smartwatches, o estudo aponta para um futuro promissor na triagem precoce e no monitoramento de intervenções.