Noticias Científicas sobre el Autismo, Enero 2017.

La normalización de la flora intestinal mejora los síntomas asociados al autismo

Un equipo multidisciplinar de científicos de las universidades del Norte de Arizona, de la Estatal de Ohio, la estatal de Arizona y la Universidad de Minnesota, ha completado la primera fase de un estudio que incluyó 18 participantes con trastornos del espectro del autismo que tenían entre 7 y 16 años de edad. Los participantes se sometieron a un programa de tratamiento de 10 semanas que incluía antibióticos, limpieza intestinal y trasplantes microbianos (hechos a partir de materia fecal) diarios durante ocho semanas. La idea surgió cuando, el año pasado, expertos de la Universidad Estatal de Arizona encontraron vínculos entre los síntomas del autismo y la composición y diversidad de la microbiota intestinal.

Los primeros resultados, publicados en la revista Microbiome, son prometedores, pero se requieren pruebas adicionales, completar las fases 2 y 3 de los ensayos, antes de que la Agencia de Alimentos y Medicamentos de Estados Unidos (FDA), lo apruebe.

Pese a tratarse de un universo muy pequeño para realizar conclusiones firmes, sí se pudieron observar beneficios a largo plazo, incluyendo un promedio de 80% de mejora de los síntomas gastrointestinales asociados con trastornos del espectro del autismo y entre un 20 y un 25% de mejora en los comportamientos de autismo, incluyendo mejores habilidades sociales y mejores hábitos de sueño.

«Los resultados son muy convincentes – afirma James Adams, uno de los autores en un comunicado –. Completamos un ensayo de Fase 1 que demuestra seguridad y eficacia, pero recomendar este tratamiento y llevarlo al mercado requiere ensayos de Fase 2 y Fase 3”. También se realizarán un nuevo ensayo con un grupo de control, al que se le suministrarán placebos, pero los investigadores advierten que no se trata de un tratamiento que pueda realizarse en el hogar o sin los conocimientos adecuados, ya que podrían resultar en una infección gastrointestinal severa».

Revista Microbiome

Enlace original

 

Advierten de la necesidad de homogeneizar las técnicas que se emplean en la actualidad para diagnosticar el autismo

Investigadores de las universidades de Granada y Cambridge (Reino Unido) destacan la gran cantidad de falsos positivos en las áreas cerebrales afectadas por Trastorno del Espectro del Autismo (TEA) en los estudios que se realizan en la actualidad, debido a las limitaciones derivadas del uso de las Resonancias Magnéticas.

Los científicos proponen que se establezcan diferentes subclases de TEA para poder comprender mejor esta enfermedad y alcanzar una mayor precisión en su diagnóstico.

Investigadores de las universidades de Granada (UGR) y Cambridge (Reino Unido) han advertido de la necesidad de establecer diferentes subclases de Trastorno del Espectro del Autismo (TEA) más homogéneas que las que se emplean en la actualidad, para poder comprender mejor la enfermedad y alcanzar una mayor precisión en el diagnóstico.

Los científicos han utilizado técnicas de neuroimagen, como la Resonancia Magnética (RM) para evaluar y mejorar el diagnóstico del TEA, ya que han descubierto que existen ciertas carencias en el método que se utiliza actualmente para tal fin.

La investigación, realizada por el grupo de investigación SiPBA (Signal Processing and Biomedical Applications) de la UGR, destaca la gran cantidad de falsos diagnósticos positivos en las áreas cerebrales afectadas por TEA que se realizan en la actualidad, debido a las limitaciones derivadas del uso de RM para este fin, ya que las imágenes obtenidas en diferentes centros de diagnóstico poseen diferencias sustanciales, lo que hace que no sean comparables.

Los investigadores proponen que se subdivida el autismo en subclases para poder estudiarlo y comprenderlo mejor, en lugar de agruparlo como ha hecho el DSM-5 (el manual para diagnóstico de enfermedades psiquiátricas denominado American Psychiatric Association’s (APA) Diagnostic and Statistical Manual of Mental Disorders, que se emplea en la actualidad).

Pese a todos los intentos por homogeneizar estas bases de datos de imágenes, las diferencias existentes entre tipo de escáner, sesgo de pacientes, modelos, y otras características técnicas, suelen hacer que el resultado de los análisis se vea afectado por una gran cantidad de falsos positivos. Éstos aparecen de forma más evidente cuando las diferencias debidas a la enfermedad son sutiles, como es el caso del TEA, siendo prácticamente imposible distinguir cuáles son debidos a diferencias en la adquisición y cuáles son debidos a la enfermedad en sí misma.

Para solucionar este problema, los investigadores han desarrollado un método estadístico llamado SWPCA (Significance Weighted Principal Component Analysis), que descompone los escáneres cerebrales como una combinación lineal de unas “componentes” que modelan las posibles fuentes de variabilidad en las imágenes cerebrales. Después, analizaron cuáles de estas posibles fuentes eran debidas o no a la enfermedad o a diferencias de adquisición, y eliminaron estas últimas. De esta forma, una vez eliminada esta variabilidad, realizaron un análisis exhaustivo, obteniendo resultados mucho más precisos.

Como explica el investigador de la UGR Francisco J. Martínez, perteneciente al departamento de Teoría de la Señal, Telemática y Telecomunicaciones de la UGR y uno de los autores del trabajo, “nuestro análisis concluye que, una vez eliminada la variabilidad en la adquisición, las diferencias entre afectados y no afectados por el TEA son muy poco relevantes, o bien que los patrones de esta enfermedad son demasiado heterogéneos como para poder ser considerada globalmente”.

Martínez señala que en el método SWPCA “la base de datos es descompuesta de forma que las imágenes se representan como una combinación lineal de valores o scores y componentes o loadings, que modelan la variabilidad existente en dicha base de datos. Al extraer un set de loadings común, podemos ver cuáles de estas componentes se relacionan con el lugar de adquisición, mediante unos test que resultan en un valor de significancia estadística, o p-value. Utilizando estos valores podemos reconstruir la base de datos cancelando parcial o totalmente la contribución de las componentes relacionadas con las diferencias entre lugares de adquisición, obteniendo una base de datos más homogénea y directamente analizable”.

Los investigadores han conseguido cancelar los efectos del lugar de adquisición en una base de datos de RM de pacientes con TEA, adquirida en varias sedes del Reino Unido, y examinar qué diferencias encontraron en esta base de datos corregida.

Tras ello, han concluido que las diferencias entre afectados y controles no eran relevantes, y que probablemente la mayoría de los estudios realizados con esta y otras bases de datos (como se ha comprobado también por otros estudios) estén afectados por este problema, donde los falsos positivos de TEA tienen como causa, en parte, diferencias entre los lugares de adquisición.

Revista Human Brain Mapping

Enlace original

 

Un algoritmo podría identificar si un niño tiene autismo

Un algoritmo que estudia las expresiones faciales y los movimientos de la cabeza de los niños podría ayudar a los médicos a diagnosticar trastornos como el autismo o al trastorno por déficit de atención e hiperactividad (TDAH).

Diagnosticar el autismo o el TDAH no es sencillo, pero es imprescindible que los médicos observen el comportamiento de los niños para evaluarlos. Muchos de estos gestos se producen en los niños con ese tipo de trastornos «y los comportamientos visuales son similares», asegura Michel Valstar en la Universidad de Nottingham, Reino Unido, según recoge New Scientist.

Por lo que su equipo decidió automatizar algunos de estos comportamientos para identificarlos. El grupo capturó imágenes de 55 adultos mientras leían, escuchaban historias y respondían a preguntas. «Las personas con autismo no siempre alcanzan las sutilezas sociales y emocionales» que sí poseen los demás, dice Valstar.

Los participantes se dividieron en cuatro grupos: personas diagnosticadas con autismo, personas con TDAH, personas con ambos trastornos o ninguno. El ordenador aprendió a detectar las diferencias entre  los grupos. Por ejemplo, las personas con ambas condiciones eran menos propensas a levantar las cejas cuando veían información sorprendente.

Los investigadores utilizaron también el movimiento de la cabeza para medir la atención de los voluntarios. Usando ambas medidas, el sistema diseñado por el equipo identificó correctamente a las personas con TDAH o condiciones similares al autismo en el 96% de los casos.

Este avance puede ser una herramienta muy útil para diagnosticar, pero sin olvidar el trabajo de los equipos médicos. «Estamos creando herramientas de diagnóstico que acelerarán el diagnóstico, pero no creemos que podamos eliminar a los humanos. Los seres humanos añaden ética y valores morales al proceso», recuerda Valstar.

Revista New Scientist.

Enlace original 

 

Deja un comentario

Tu dirección de correo electrónico no será publicada.

Ir arriba