Forfattere
Børn med autisme “ser” ofte verden anderledes, end andre børn gør. De kan have unikke oplevelser af syn, hørelse, smag, lugt eller berøring. Disse sensoriske ændringer er ofte forbundet med adfærdsproblemer som isolation, manglende interesse, aggression, angst, depression eller manglende opmærksomhed. Vi tænkte, at det ville være nyttigt, hvis vi kunne opdage adfærdsproblemer, der måske ikke er åbenlyse endnu, men som er mulige i fremtiden. I vores undersøgelse brugte vi computerprogrammer, baseret på en form for kunstig intelligens kaldet maskinlæring, til at forudsige mulige adfærdsproblemer baseret på, hvordan autistiske børn modtager sansninger i deres hverdag. Vores programmer analyserer svarene på testspørgsmål om den måde, børnene opfatter verden på gennem deres sanser, og disse programmer kan derefter lave pålidelige forudsigelser af adfærdsproblemer, før de opstår. Disse tidlige forudsigelser giver familier og læger mulighed for at være opmærksomme på og behandle disse problemer tidligt.
Autisme er en hjernesygdom, der har stor indflydelse på, hvordan folk opfatter verden omkring dem, hvordan de opfører sig, og hvordan de socialiserer (for mere information om autisme, se denne Frontiers for Young Minds-artikel). Autistiske børn kan kæmpe med sociale interaktioner som f.eks. at få venner. De kan også have usædvanlige interesser som tog, dinosaurer, trafiklys… Autistiske børns adfærd kan forårsage problemer i deres udvikling, vækst og sociale relationer.
Børn med autisme opfatter ofte visuelle, auditive (hørelse), smags-, lugte- eller berøringssansninger anderledes end børn uden autisme. For eksempel overreagerer de på visse dagligdags lyde som køleskabet, en ventilator… Disse forskelle i opfattelsen menes at være relateret til de adfærdsproblemer, som disse børn ofte oplever. Hvad nu, hvis vi kunne forudsige adfærdsændringer, før de er åbenlyse og skaber problemer, bare ved at forstå den måde, børnene opfatter sanseindtryk på? Denne viden kunne give lægerne et tidligt tegn på adfærdsændringer, så de kunne behandle dem, og det kunne også give familierne tid til at lære at håndtere adfærdsændringer.
Det er ikke nemt at vide, hvordan børn opfatter deres omgivelser (dvs. hvordan de ser, hører, smager, rører eller lugter), men forældre til autistiske børn kan tage nogle tests, der giver værdifuld information til læger og forskere. Vi brugte to tests til børn og teenagere: en sensorisk test, som spørger til børnenes opfattelsesevne, og en test om adfærdsproblemer som angst, regelbrud eller opmærksomhedsproblemer [1, 2]. I vores forskning bad vi forældrene om at gennemføre sansetesten, og derefter brugte vi resultaterne fra denne test til at forudsige resultaterne på adfærdstesten.
I undersøgelsen bad vi forældrene til 72 autistiske børn (21 piger og 51 drenge) om at tage sanse- og adfærdstesten. Børnenes alder varierede fra 6 til 14 år. Den sensoriske test, kaldet Sensory Profile 2 (SP-2), har 86 spørgsmål [1], og svarene er scorer med mulige værdier på 0 (ikke relevant), 1 (næsten aldrig), 2 (lejlighedsvis), 3 (halvdelen af tiden), 4 (ofte) eller 5 (næsten altid).
Spørgsmålene i SP-2-testen er inddelt i grupper: søgen, undgåelse, sensitivitet og registrering. Resultaterne i disse grupper definerer, hvordan barnet “ser” verden. For eksempel betyder høje scorer i spørgsmål fra den søgende gruppe, at barnet ønsker at føle alt fra omgivelserne, som at røre ved alt, se meget nøje på skarpe lys eller tage risici ved at klatre i et træ. Høje undgåelsesscorer betyder, at barnet ikke ønsker at mærke fornemmelser omkring sig og foretrækker at undgå dem. Høj sensitivitet betyder, at barnet føler fornemmelser stærkere end andre mennesker gør. Høje scorer i registreringskategorien betyder, at barnet næsten ikke mærker følelser, som andre let mærker. Ekstremt høje eller lave værdier på et af spørgsmålene indikerer sanseoplevelser, der er anderledes end hos ikke-autistiske børn. Figur 1A viser antallet af spørgsmål for hver gruppe med eksempler på spørgsmål. Vi tænkte, at fornemmelser af berøring (berøringsbearbejdning) også kunne være interessant for at forudsige ændringer i adfærd.
Testen om adfærdsproblemer, kaldet Child Behavior Checklist (CBCL), har 113 spørgsmål med scorer på: 0 (ikke sandt), 1 (nogle gange sandt) og 2 (meget sandt) [2]. Jo højere scoren er på et CBCL-spørgsmål, jo større er sandsynligheden for det adfærdsproblem, som det pågældende spørgsmål afspejler. For hvert adfærdsproblem bruger vi scoren på de relaterede spørgsmål sammen med barnets alder og køn til at beregne CBCL-scoren, som har en værdi mellem 0 og 100. Figur 1B viser de 11 adfærdsproblemer, vi kiggede på i vores undersøgelse, med eksempler på spørgsmål.
Vi ønskede at forudsige, om børn med autisme sandsynligvis vil få problematiske adfærdsændringer baseret på, hvordan de “ser” deres omgivelser. At forudsige adfærdsproblemer, der ikke er opstået endnu, lyder måske komplekst, men takket være computerprogrammer baseret på machine learning er det blevet meget lettere. Machine learning-programmer bruges f.eks. i sport, på streamingplatforme eller sociale medier til at komme med forslag til indhold baseret på, hvad vi har set eller liket. Disse programmer forudsiger fremtidige situationer (for eksempel et billede, vi måske kan lide) ved at lære af oplysninger om fortiden (andre billeder, vi kunne lide, konti, vi følger osv.). I vores tilfælde ville vi se, om vi kunne bruge maskinlæring til at forudsige et barns resultater i CBCL-testen, udelukkende baseret på resultaterne fra SP-2-testen.
Lad os forestille os scenariet i figur 2. Der er en 5-årig pige, som sparker til en bold, og den går 5 m. En anden pige, som er 10 år gammel, sparker til bolden 10 m. Kan du prøve at gætte, hvor langt en 7-årig pige ville kunne sparke til bolden? Måske er det ikke let at vide med sikkerhed, men sund fornuft siger dig, at bolden sandsynligvis vil bevæge sig en afstand mellem 5 og 10 m, fordi den 7-årige pige forventes at være stærkere end den 5-årige pige, men svagere end den 10-årige pige.
I dette eksempel bruges pigens alder til at forudsige den afstand, bolden tilbagelægger. I vores autismestudie bruger maskinlæringsprogrammet resultaterne fra SP-2-testen til at forudsige fremtidige ændringer i adfærd, som vil blive afspejlet i en fremtidig CBCL-test. I figur 3 brugte vi for eksempel oplysninger om, hvordan et barn undgår sanseoplevelser (undgår i figur 1A) til at forudsige eksistensen af problemer i sociale miljøer (sociale problemer i figur 1B), som vi vil se i det næste afsnit.
Der var tre trin til at skabe vores maskinlæringsprogram: træning, test og pålidelighedsvurdering.
For at træne programmet gav vi det eksempler fra børnenes resultater på SP-2- og CBCL-tests. For eksempel gav vi programmet et barns 20 scorer fra SP-2-gruppen undgåelse (spørgsmålsscorer 1, 4, 1, 5, 4, 1, 4, 0, 1, 2, 2, 1, 2, 1, 4, 2, 0, 1, 1, 1) og barnets score for sociale problemer (57) i CBCL-testen; et andet barn har forskellige undgåelsesscorer (2, 1, 5, 5, 4, 5, 0, 1, 5, 0, 1, 4, 0, 5, 5, 0, 1, 0, 1, 2) og en score for sociale problemer på 78; osv. Vi gav computeren denne type data for 71 ud af 72 børn og udelod dermed et barn. Disse data udgør træningssættet, da den er beregnet til at lære computerprogrammet forholdet mellem SP-2- og CBCL-scorer – på samme måde som du kunne se et forhold mellem alder og hvor langt bolden blev sparket i figur 2.
Da computerprogrammet var trænet, gav vi det SP-2-scores fra det barn, der ikke var med i træningsfasen. Ved hjælp af de relationer, der er lært fra træningsdataene, beregner programmet CBCL-scoren ved kun at bruge barnets SP-2-score. Træning og test blev gentaget 72 gange, og hver gang blev et andet barn taget ud af træningssættet og brugt til test.
For at se, om programmets forudsigelser var nøjagtige, havde vi brug for de sande CBCL-scorer for de børn, hvis data blev brugt i testfasen. Vi analyserede, hvor ens de forudsagte og sande CBCL-scorer var. Jo tættere de forudsagte scorer var på de virkelige scorer, jo mere pålidelig var computerens forudsigelse.
Der er flere maskinlæringsprogrammer, der kan bruges til at få vores forudsigelse. Deres pålidelighed kan ændre sig afhængigt af grupperne af SP-2-scorer og de typer af CBCL-scorer, der skal forudsiges. I vores forskning afprøvede vi 26 maskinlæringsprogrammer [3], og vi lavede forskellige programmer til hver af de grupper, der indgik i SP-2-testen. Brugen af 26 maskinlæringsprogrammer med kombinationen af de 6 SP-2-grupper og de 11 CBCL-scorer betyder, at vi prøvede 26 × 6 × 11 = 1.716 forskellige programmer.
Vi så, at det mest pålidelige program nøjagtigt forudsiger de eksterne adfærdsproblemer i CBCL i betragtning af alle SP-2-scorerne (samlet gruppe i figur 1A). De scorer, der forudsiges af vores program, adskiller sig kun med 1 enhed i forhold til den sande værdi. Her er et eksempel for at gøre dette klart. Vi anvender SP-2-testen på et barn. Den samlede gruppe, som barnet scorer i SP-2-testen, er samlingen af de 86 scorer mellem 0 og 5. Vi giver disse tal til programmet, som foretager matematiske beregninger og forudsiger en værdi på 16 for scoren for eksterne problemer. Derefter anvender vi CBCL-testen på barnet, og de får en score på 15 for eksterne problemer. Når vi sammenligner den forudsagte (16) og sande (15) score, kan vi se, at programmet var meget tæt på den sande score – kun en enhed fra.
Andre programmer opnåede også pålidelige forudsigelser for de følgende otte adfærdsproblemer: ængstelig/deprimeret, tilbagetrukket/deprimeret, sociale problemer, tankeproblemer, opmærksomhedsproblemer, aggressiv adfærd, intern og total. Forudsigelsen er mindre pålidelig for de resterende to problemer: fysiske klager og regelbrydende adfærd. Specifikt lærte vi, at undgåelse har en betydelig indflydelse på ængstelig/deprimeret. At søge har en stærk indflydelse på opmærksomhedsproblemer og fysiske klager. Berøringsbearbejdning spiller en rolle i regelbrydende adfærd. Endelig har registrering indflydelse på sociale problemer.
I betragtning af den høje pålidelighed i forudsigelsen af disse ni typer adfærdsproblemer, kan det i sidste ende være unødvendigt at bruge CBCL-testen overhovedet – vi kan muligvis bare bruge SP-2-testen og forudsige CBCL-scoren ud fra disse resultater. Hvis den forudsagte CBCL-score indikerer, at der er adfærdsproblemer, kan lægerne begynde at behandle disse problemer.
Autistiske børn modtager ofte sanseindtryk fra deres omgivelser på usædvanlige måder, og det kan føre til adfærdsproblemer. For at forstå denne sammenhæng bedre brugte vi to tests: en, der vurderer ændringer i sanserne, og en, der ser på adfærdsproblemer. Ved at analysere resultaterne fra den sensoriske test skabte vi maskinlæringsprogrammer, der kunne forudsige resultaterne fra adfærdstesten. Vi fandt ud af, at forudsigelsen af eksterne adfærdsproblemer (dem, som alle mennesker kan se) er meget pålidelig, når man bruger summen af alle sansescorerne. Vores programmer kan også nøjagtigt forudsige otte andre adfærdsproblemer, men de er ikke så gode til at forudsige de resterende to. Disse resultater viser, at det er muligt at forudse adfærdsproblemer ved at se på tidlige tegn på sensoriske ændringer. Læger kan derefter bruge disse oplysninger til at give tidlige behandlinger, der kan hjælpe med at reducere fremtidige adfærdsproblemer.
Autisme: En forstyrrelse, der påvirker kommunikation og adfærd, ofte kendetegnet ved udfordringer med sociale interaktioner, repetitiv adfærd og unikke styrker og forskelle i, hvordan en person opfatter og interagerer med verden.
Maskinlæring: En type kunstig intelligens, der gør det muligt for computere at lære af data og forbedre deres ydeevne over tid.
Træningssæt: Et datasæt, der bruges til at undervise en algoritme. Det har input- og outputpar, som algoritmen lærer fra.
[1] Dunn, W. 2014. Sensorisk profil 2: Brugervejledning. Bloomington MN: Psych Corp.
[2] Achenbach, T. M., og Rescorla, L. A. 2001. Manual til ASEBA’s formularer og profiler for skolealderen: An Integrated System of Multi-informant Assessment. Burlington, VT: ASEBA.
[3] Fernández-Delgado, M., Sirsat, M. S., Cernadas, E., Alawadi, S., Barro, S., og Febrero-Bande, M. 2019. En omfattende eksperimentel undersøgelse af regressionsmetoder, Neural Netw. 111:11-34. doi: 10.1016/j.neunet.2018.12.010
Når du læser disse ord, er hundredvis af millioner af nerveceller elektrisk og kemisk aktive i din hjerne. Denne aktivitet gør det muligt for dig at genkende ord, fornemme verden, lære, nyde og skabe nye ting og være nysgerrig på verden omkring dig. Faktisk er vores hjerner – Homo sapiens‘ – de mest fascinerende fysiske substanser, der nogensinde er opstået på jorden for ca. 200.000 år siden. Hjernen er så nysgerrig og ambitiøs, at den stræber efter at forstå sig selv og helbrede sine skrøbelige elementer, når den bliver syg. Men på trods af de seneste vigtige fremskridt inden for hjerneforskningen ved vi stadig ikke, hvordan vi skal lægge brikkerne i hjernens puslespil. Det er på grund af dette, at der for nylig er startet flere store hjerneforskningsprojekter rundt om i verden. Vi deltager i et af dem – Human Brain Project (HBP) [1]. Hovedformålet er systematisk at katalogisere alt, hvad vi ved om hjernen, at udvikle geniale eksperimentelle og teoretiske metoder til at undersøge hjernen og at sammensætte alt, hvad vi har lært, til en computermodel af hjernen. Alt dette er muligt, da vores hjerne selv har designet kraftfulde computere, internettet og sofistikerede matematik- og softwareværktøjer, som snart vil være kraftfulde nok til at modellere noget så komplekst som den menneskelige hjerne i computeren. Dette projekt vil give en ny og dybere forståelse af vores hjerne, hjælpe os med at udvikle bedre kure mod dens sygdomme og i sidste ende også lære os, hvordan vi kan bygge smartere, lærende computere. Det vigtige er, at vores hjerne kun har brug for et par måltider om dagen (og måske lidt ekstra slik) for at klare det hele – det er meget mere energieffektivt end selv en simpel computer. Lad os så fortælle dig historien om HBP.
…
Vidste du, at læger kigger på tusindvis af menneskers hjerner hver dag? På hospitaler over hele landet kigger vi ind i patienternes hjerner for at se, om noget er gået galt, så vi kan forstå, hvordan vi kan hjælpe med at behandle den enkelte patients tilstand. Hjerneafbildningsteknologi spiller en vigtig rolle i at hjælpe læger med at diagnosticere og behandle tilstande som hjerneskader . Bag kulisserne er der særlige kameraer, som giver os mulighed for at se dybt ind i patienternes hjerner hver dag.
…
Hjernen har fascineret os i umindelige tider. Nogle af de første seriøse diskussioner om den menneskelige hjerne startede i det gamle Egypten, hvor kongen af Alexandria tillod dissektioner af forbrydere i levende live for at studere menneskets anatomi [1]. De, der udførte dissektionerne, åbnede kranieknoglen og så hjernen i levende live. Da de skar gennem hjernen, opdagede de store rum inde i den. Disse rum var forbundet med hinanden som kamre i et hus. De var også fyldt med en unik, krystalklar væske, som vi nu kender som cerebrospinalvæske eller hjernevæske. De var så begejstrede for dette fund! De troede, at menneskelige sjæl befinder sig i disse væskefyldte kamre. De forsøgte at forstå, hvordan væsken bevæger sig på tværs af disse kamre, fordi de troede, at det kunne forklare, hvordan det menneskelige sind fungerer.
…
Vidste du, at den mad, du spiser, påvirker dit helbred? Vigtigst af alt kan det, du spiser, have en negativ effekt på det mest komplekse organ i din krop: din hjerne! Utroligt nok påvirker den mad, du spiser, neuronerne, som er de vigtigste celler i hjernen. I hjernen forårsager en usund kost, der er rig på fedt og sukker, betændelse i neuroner og hæmmer dannelsen af nye neuroner. Det kan påvirke den måde, hjernen fungerer på, og bidrage til hjernesygdomme som depression. På den anden side er en kost, der indeholder sunde næringsstoffer som f.eks. omega-3-fedtsyrer, gavnlig for hjernens sundhed. En sådan kost forbedrer dannelsen af neuroner og fører til forbedret tænkning, opmærksomhed og hukommelse. Alt i alt gør en sund kost hjernen glad, så vi bør alle være opmærksomme på, hvad vi spiser.
…Få inspiration og viden om praksis og cases, evidens og forskning, kurser, netværksmøder og vores Læringsplatform – alt sammen til at styrke din faglige udvikling.
Du kan til enhver tid trække dit samtykke tilbage ved at afmelde dig nyhedsmailen.
Du modtager om et øjeblik en e-mail med et link, hvor du bekræfter tilmeldingen.
Med venlig hilsen
MiLife
