Development of a AI-based decision support system to identify dysgraphia and personalize the intervention

Handwriting plays a fundamental role for primary schools children who, on average, spend 60\% of their time in class on writing tasks. Despite educational exposure, 5\% up to 10\% of children never reach a sufficient level of automation in handwriting. Those children are defined as "dysgraphic". Identifying dysgraphia as early as possible is essential for the academic support and well-being of these subjects, since this condition is linked with negative consequences also in the long-term. DGM-P is a standardized test used in Italy to diagnose dysgraphia, which consists of copying a sentence under two conditions: (1) FAST, done in the shortest time possible; (2) BEST, done in the most legible way possible. The limitations of this test are the reliance on the examiner's expertise and the fact that only parameters related to the written product are assessed, without taking into account the process by which it was produced. This work aimed at bridging this gap, providing an AI-based decision support system (DSS) for the quantitative analysis of DGM-P, developed as a web app for clinicians. The device that records the data was a sensorized ink pen (SIP), which allows the execution on paper but at the same time acquires quantitative signals. The features extracted from SIP-acquired signals during each type of task included in the DGM-P are fed into machine learning models able to identify dysgraphic children between the third primary school and the third secondary school grades. F1-scores were obtained between 87\% and 95\%. The developed DSS can quickly and automatically extract features from the SIP raw signals, provide a graphical representation comparing the values of the child examined with values of a reference population, integrate the previously described machine learning algorithms, and finally, present in a user-friendly way the results of an explainability analysis that better describe the child's profile. Through a SUS test, the use of this DSS was validated as a clinical support tool for the diagnosis and development of a personalized enhancement path for the individual child.

La scrittura ha un ruolo fondamentale per i bambini della scuola primaria che, in media, dedicano il 60\% del loro tempo in classe a compiti che richiedono questa attività. Nonostante l'istruzione, dal 5\% al 10\% dei bambini non raggiunge mai un livello sufficiente di automazione nella scrittura. Questi bambini sono definiti "disgrafici". Identificare la disgrafia il prima possibile è essenziale per il supporto accademico e il benessere di questi soggetti, poiché tale condizione implica conseguenze negative anche a lungo termine. Il DGM-P è un test standardizzato utilizzato in Italia per diagnosticare la disgrafia che consiste nel copiare una frase in due condizioni: (1) VELOCE, eseguita nel minor tempo possibile; (2) MIGLIORE, eseguita nel modo più leggibile possibile. I limiti di questo test sono la soggettività e il fatto che vengono valutati solo parametri relativi al prodotto scritto, senza tener conto del processo con cui è stato realizzato. Questo lavoro ha lo scopo di colmare queste lacune, fornendo un sistema di supporto decisionale (SSD) basato sull'intelligenza artificiale per l'analisi quantitativa del DGM-P, sviluppato come web app per i clinici. Il dispositivo che registra i dati è una penna a inchiostro sensorizzata (SIP), che consente l'esecuzione su carta ma allo stesso tempo acquisisce segnali quantitativi. Le features estratte dai segnali acquisiti durante il DGM-P vengono fornite in ingresso a modelli di machine learning in grado di identificare bambini disgrafici tra la terza elementare e la terza media, con F1-score tra l'87\% e il 95\%. Il SSD sviluppato è in grado di estrarre rapidamente e automaticamente le features dai segnali grezzi, fornire una rappresentazione grafica che confronta i valori del bambino esaminato con quelli di una popolazione di riferimento, integrare gli algoritmi di ML precedentemente descritti e, infine, presentare in modo intuitivo i risultati di un'analisi esplorativa che descrivono il profilo del bambino. Attraverso un test SUS, l'utilizzo del SSD è stato validato come strumento di supporto clinico per la diagnosi di disgrafia e lo sviluppo di un percorso di miglioramento personalizzato per il singolo bambino.