Dysleksja – Rokowania, prognozy i postęp choroby

Dysleksja
Rokowania, prognozy i postęp choroby

Prognozowanie przebiegu dysleksji rozwojowej opiera się na analizie zarówno tradycyjnych czynników klinicznych, jak wywiad rodzinny, wczesne opóźnienia językowe oraz badania przesiewowe obejmujące świadomość fonologiczną, znajomość liter i szybkie automatyczne nazywanie (RAN). Jednakże ich wartość prognostyczna jest ograniczona w porównaniu z nowoczesnymi metodami neuroobrazowania. Kluczowe odkrycia wskazują, że zwiększona aktywacja prawego obszaru przedczołowego podczas zadań fonologicznych oraz integralność istoty białej w prawym pęczku podłużnym górnym (SLF), oceniana za pomocą anizotropii frakcjonowanej (FA) w obrazowaniu tensora dyfuzji (DTI), są istotnymi predyktorami długoterminowej poprawy umiejętności czytania u dzieci z dysleksją. Wielowymiarowa analiza wzorców (MVPA) z zastosowaniem maszyn wektorów nośnych (SVM) pozwala przewidzieć poprawę z dokładnością do 72-90%, znacznie przewyższającą tradycyjne testy behawioralne, które nie wykazały zdolności prognostycznej.

Dysleksja – Prognoza (przewidywanie wyników)

Prognozowanie przebiegu i wyników leczenia u osób z dysleksją stanowi istotny element postępowania klinicznego. Osoby z dysleksją rozwojową wykazują znaczne zróżnicowanie w zdolności do poprawy umiejętności czytania, jednak neurologiczne podstawy tego zróżnicowania pozostawały przez długi czas słabo poznane¹². Pomimo powszechnego stosowania standaryzowanych testów czytania i umiejętności językowych, badania wskazują, że ich wartość prognostyczna może być ograniczona w porównaniu z nowoczesnymi metodami neuroobrazowania¹.

Tradycyjne czynniki prognostyczne

Ogólna prognoza dla osób z dysleksją jest mieszana. Zazwyczaj lepsze wyniki osiągają osoby, u których dysleksja została zidentyfikowana wcześnie, które mają wspierającą rodzinę i przyjaciół, silny obraz siebie oraz uczestniczą w odpowiednim programie terapeutycznym³. Wśród tradycyjnych czynników prognostycznych wymienia się:

Wywiad rodzinny – historia dysleksji w rodzinie jest istotnym predyktorem wyników w zakresie umiejętności czytania i pisania już od wieku przedszkolnego⁴
Wczesne opóźnienia językowe – choć są uznawane za czynnik ryzyka dysleksji, nie stanowią dobrego predyktora na poziomie indywidualnym aż do momentu rozpoczęcia edukacji szkolnej⁴
Badania przesiewowe – zyskują akceptowalną wartość kliniczną dopiero w okresie poprzedzającym rozpoczęcie nauki szkolnej, gdy znajomość liter, świadomość fonologiczna i szybkie automatyczne nazywanie (RAN) stanowią razem dobry zestaw testów przesiewowych o odpowiedniej czułości i swoistości⁴

Neurologiczne predyktory

Przełomowe badania w zakresie neuroobrazowania ujawniły, że zmienność w funkcji i strukturze mózgu może być znacznie lepszym predyktorem długoterminowej poprawy umiejętności czytania u dzieci z dysleksją niż standardowe metody behawioralne⁵. Kluczowe odkrycia w tym zakresie obejmują:

Aktywacja prawego obszaru przedczołowego – zwiększona aktywacja tego obszaru podczas zadań wymagających świadomości fonologicznej stanowi istotny predyktor przyszłych postępów w czytaniu u osób z dysleksją¹²
Organizacja istoty białej – integralność istoty białej w prawym pęczku podłużnym górnym (SLF), w tym w pęczku łukowatym, mierzona wartościami anizotropii frakcjonowanej (FA) w obrazowaniu tensora dyfuzji (DTI), pozwala przewidzieć przyszłe postępy w czytaniu u dzieci z dysleksją⁵
Wielowymiarowa analiza wzorców (MVPA) – zastosowanie maszyny wektorów nośnych (SVM) i walidacji krzyżowej do analizy dwóch powyższych pomiarów mózgowych pozwoliło przewidzieć z dokładnością znacznie przewyższającą przypadek (72%), które konkretne dziecko poprawi lub nie poprawi umiejętności czytania²
Analiza całego wzorca aktywacji mózgu podczas przetwarzania fonologicznego przewidziała z dokładnością 90%, które dzieci z dysleksją poprawią umiejętności czytania w ciągu 2,5 roku²⁵

Co szczególnie istotne, żaden z 17 szeroko stosowanych standaryzowanych pomiarów czytania i języka nie był w stanie przewidzieć postępów w czytaniu u tych dzieci⁵. Warto podkreślić, że zidentyfikowany mechanizm mózgowy wydaje się być specyficzny dla dysleksji, a nie odzwierciedla ogólnego wzrostu umiejętności czytania, ponieważ typowo czytający nie wykazywali tego wzorca⁵.

Podejścia oparte na uczeniu maszynowym

Nowe perspektywy w prognozowaniu przebiegu dysleksji otwierają metody oparte na uczeniu maszynowym⁶⁷. Potencjalne korzyści z zastosowania tych podejść są znaczące i obejmują:

Wczesne wykrywanie dysleksji, prowadzące do wcześniejszej interwencji i lepszych wyników⁶
Tworzenie zautomatyzowanych i obiektywnych narzędzi przesiewowych⁷
Podniesienie dokładności diagnozy, szczególnie w przypadkach niejednoznacznych⁷

Wyzwaniem w prognozowaniu dysleksji z wykorzystaniem uczenia maszynowego jest nierównowaga klas w danych, gdzie próbek niedyslektycznych może być więcej niż dyslektycznych. Może to prowadzić do stronniczych modeli uczenia maszynowego, które dobrze radzą sobie z przypadkami negatywnymi, ale słabo z pozytywnymi. Aby temu zaradzić, badacze mogą stosować techniki takie jak nadpróbkowanie przypadków pozytywnych, podpróbkowanie przypadków negatywnych lub technikę syntetycznego nadpróbkowania mniejszości (SMOTE) w celu zrównoważenia zbioru danych⁶.

Wybór podejścia opartego na uczeniu maszynowym zależy od rodzaju dostępnych danych i badanego pytania badawczego. Należy starannie rozważyć kompromis między dokładnością a interpretowalnością przy wyborze podejścia uczenia maszynowego do przewidywania dysleksji⁷.

Implikacje kliniczne

Odkrycia dotyczące neurologicznych predyktorów dysleksji mają istotne implikacje kliniczne⁸⁹:

Zachęcają do rozważenia podejść interwencyjnych wykorzystujących alternatywne strategie czytania, obok obecnych interwencji opartych na typowym nauczaniu czytania⁸
Sugerują, że miary mózgowe mogą lepiej przewidywać długoterminowe wyniki w rozwoju czytania niż dostępne miary behawioralne⁸
Motywują do dalszych badań, czy neuroprognoza jest przydatna do identyfikacji metod leczenia, które z większym lub mniejszym prawdopodobieństwem doprowadzą do poprawy stanu konkretnej osoby⁸
Wskazują na potrzebę odkrywania neurobiologicznej zmienności w ramach kategorii diagnostycznych, które są istotne dla wyboru i skuteczności leczenia⁸

Wyzwania w prognozowaniu wczesnym

Badania podkreślają, że wczesna identyfikacja dysleksji jest trudna, a dokładność prognoz wzrasta im bliżej rozpoczęcia nauki szkolnej przeprowadzane są oceny⁴. Ponieważ umiejętności dekodowania są normalnie rozłożone w populacji, granica dla diagnozy dysleksji jest w pewnym stopniu arbitralna⁹.

Istotnym odkryciem jest to, że wczesne opóźnienie językowe, uznany czynnik ryzyka dysleksji, nie jest dobrym predyktorem na poziomie indywidualnym aż do momentu rozpoczęcia nauki szkolnej⁴. Badania nad podstawami nauki czytania rozwinęły się znacząco w ciągu ostatnich dwudziestu pięciu lat, przynosząc ważne konsekwencje teoretyczne i praktyczne⁹.

Przyszłe kierunki

Wciąż potrzebne są dalsze badania walidujące skuteczność podejść opartych na uczeniu maszynowym do diagnozy i leczenia dysleksji⁶. Zastosowanie uczenia maszynowego do prognozowania dysleksji ma potencjał znacznej poprawy wczesnej identyfikacji i interwencji, prowadząc do lepszych wyników dla osób z dysleksją⁷.

Badania nad neuroprognozą otwierają nową perspektywę w medycynie spersonalizowanej, gdzie metody diagnostyczne i terapeutyczne mogą być dostosowywane do indywidualnych profili neurobiologicznych pacjentów z dysleksją⁸¹⁰.

Kolejne rozdziały

Zapraszamy do dalszego czytania naszego leksykonu.

Wybierz kolejny rozdział z menu poniżej, aby otworzyć nową podstronę kompedium wiedzy i uzyskać szczegółowe informację o leku, substancji lub chorobie.

Materiały źródłowe

#1 Neural systems predicting long-term outcome in dyslexia
https://pmc.ncbi.nlm.nih.gov/articles/PMC3017159/
Individuals with developmental dyslexia vary in their ability to improve reading skills, but the brain basis for improvement remains largely unknown. […] No behavioral measure, including widely used and standardized reading and language tests, reliably predicted future reading gains in dyslexia. Greater right prefrontal activation during a reading task that demanded phonological awareness and right superior longitudinal fasciculus (including arcuate fasciculus) white-matter organization significantly predicted future reading gains in dyslexia. […] These findings identify right prefrontal brain mechanisms that may be critical for reading improvement in dyslexia and that may differ from typical reading development. […] Brain measures that predict future behavioral outcomes (neuroprognosis) may be more accurate, in some cases, than available behavioral measures.
#2 Neural Systems Predicting Long-Term Outcome in Dyslexia
https://dspace.mit.edu/handle/1721.1/69912
Individuals with developmental dyslexia vary in their ability to improve reading skills, but the brain basis for improvement remains largely unknown. […] No behavioral measure, including widely used and standardized reading and language tests, reliably predicted future reading gains in dyslexia. Greater right prefrontal activation during a reading task that demanded phonological awareness and right superior longitudinal fasciculus (including arcuate fasciculus) white-matter organization significantly predicted future reading gains in dyslexia. […] Multivariate pattern analysis (MVPA) of these two brain measures, using linear support vector machine (SVM) and cross-validation, predicted significantly above chance (72% accuracy) which particular child would or would not improve reading skills (behavioral measures were at chance). MVPA of whole-brain activation pattern during phonological processing predicted which children with dyslexia would improve reading skills 2.5 y later with 90% accuracy.
#3 Dyslexia | The Dyslexia Foundation
https://dyslexiafoundation.org/dyslexia/
For those with dyslexia, the prognosis is mixed. The prognosis is generally good, however, for individuals whose dyslexia is identified early, who have supportive family and friends and a strong self-image, and who are involved in a proper remediation program.
#4 Developmental dyslexia: predicting individual risk
https://pmc.ncbi.nlm.nih.gov/articles/PMC4672694/
Dyslexia is the outcome of multiple risk factors and children with language difficulties at school entry are at high risk. […] Family history of dyslexia is a predictor of literacy outcome from the preschool years. […] However, screening does not reach an acceptable clinical level until close to school entry when letter knowledge, phonological awareness, and RAN, rather than family risk, together provide good sensitivity and specificity as a screening battery. […] Family risk status was predictive of dyslexia at every time point. […] Our findings highlight the fact that family risk of dyslexia is a strong predictor of reading outcome. […] It is clear that early identification of dyslexia is difficult and the closer assessments are to school entry the more accurate predictions become. […] An important finding is that early language delay, an established risk factor for dyslexia, is not a good predictor at the individual level until close to school entry.
#5 Neural systems predicting long-term outcome in dyslexia
https://pmc.ncbi.nlm.nih.gov/articles/PMC3017159/
This study revealed that variation in brain function and structure predicted long-term reading improvement in children with dyslexia. […] The power of the brain measures to predict future reading gains in children with dyslexia (90% accuracy) may be contrasted with the finding that none of 17 widely used standardizes measures of reading and language predicted reading gains in these children. […] The integrity of white matter in the right SLF, as indexed by FA values in DTI, predicted future reading gains in dyslexic children. […] This brain mechanism appears to be specific to dyslexia rather than reflecting growth in reading ability more generally, because typical readers did not show this pattern. […] Overall this interpretation seems unlikely, because dyslexia is not a fluctuating disorder, and scores were highly correlated across many tests.
#6
https://jbds.isdsa.org/jbds/article/view/53/81
Dyslexia is a learning disorder that affects reading and spelling skills. Early detection and intervention are crucial for managing dyslexia, and machine learning-based approaches have emerged as a promising tool for achieving this. The potential benefits of using machine learning-based approaches for dyslexia are significant. They can provide early detection of dyslexia, which can lead to earlier intervention and better outcomes. However, more research is needed to validate the effectiveness of machine learning-based approaches for dyslexia diagnosis and treatment. […] Dyslexia prediction involves dealing with class-imbalanced data where there may be more non-dyslexic samples than dyslexic samples. Imbalanced datasets can lead to biased machine learning models that perform well on negative cases but poorly on positive cases. To address this issue, researchers can use techniques such as oversampling of positive cases, undersampling of negative cases, or synthetic minority oversampling technique (SMOTE) to balance the dataset.
#7
https://jbds.isdsa.org/jbds/article/view/53/81
The choice of machine learning approach depends on the type of data available and the research question being addressed need to carefully consider the trade-offs between accuracy and interpretability when selecting a machine learning approach for dyslexia prediction. […] The study demonstrates the potential of machine learning techniques for the early detection and diagnosis of dyslexia, and highlights the importance of developing automated and objective screening tools for this condition. […] The use of machine learning for dyslexia prediction has the potential to greatly improve early identification and intervention, leading to better outcomes for individuals with dyslexia.
#8 Neural systems predicting long-term outcome in dyslexia
https://pmc.ncbi.nlm.nih.gov/articles/PMC3017159/
This finding encourages consideration of intervention approaches that capitalize on alternative reading strategies in addition to current interventions that build on typical reading instruction. […] The present findings, as well as prior ERP studies, suggest that brain measures may already better predict long-term outcomes in reading development than available behavioral measures. […] Altogether these findings motivate further research into discovering whether neuroprognosis is useful for identifying treatments that are more or less likely to lead to recovery for an individual and for discovering neurobiological variation within diagnostic categories that are important for treatment selection and effectiveness.
#9 Early Prediction of Learning Outcomes in Reading (Chapter 17) – The Cambridge Handbook of Dyslexia and Dyscalculia
https://www.cambridge.org/core/books/cambridge-handbook-of-dyslexia-and-dyscalculia/early-prediction-of-learning-outcomes-in-reading/C78CB2D74BDEF0D92730C3558B08EA28
This chapter focuses on the processes involved in the development of childrens decoding skills: the ability to translate printed words into a speech code, typically assessed by the accuracy and speed of reading aloud. If children struggle in developing this ability, they are often characterized as having dyslexia, but since decoding skills are normally distributed in the population, the cut-off for this diagnosis is somewhat arbitrary (Melby-Lervg et al. 2012). […] Research on the foundations of learning to read has burgeoned in the last twenty-five years, with important theoretical and practical consequences.
#10 Neural Systems Predicting Long-Term Outcome in Dyslexia
https://dspace.mit.edu/handle/1721.1/69912
These findings identify right prefrontal brain mechanisms that may be critical for reading improvement in dyslexia and that may differ from typical reading development. Brain measures that predict future behavioral outcomes (neuroprognosis) may be more accurate, in some cases, than available behavioral measures.