En ny maskinlæringsmodel kan forudsige autisme hos små børn ud fra relativt begrænset information, ifølge en ny undersøgelse fra Karolinska Institutet, offentliggjort i tidsskriftet JAMA Network Open. Denne model kan lette tidlig opsporing af autisme, hvilket er vigtigt for at give den rette støtte.
Kristiina Tammimies, lektor ved KIND, Institut for Kvinders og Børns Sundhed, Karolinska Institutet, en forfatter til undersøgelsen, siger: “Med en nøjagtighed på næsten 80 % for børn under to år håber vi, at dette vil være en værdifuldt værktøj til sundhedsvæsenet”.
Forskerholdet brugte en stor amerikansk database (SPARK) med oplysninger om cirka 30.000 personer med og uden autismespektrumforstyrrelser.
Ved at analysere en kombination af 28 forskellige parametre udviklede forskerne fire forskellige maskinlæringsmodeller til at identificere mønstre i dataene. De valgte parametre var information om børn, som kan opnås uden omfattende vurderinger og medicinske tests før 24 måneders alderen. Den bedst ydende model fik navnet “AutMedAI.”
Blandt omkring 12.000 individer var AutMedAI-modellen i stand til at identificere omkring 80 % af børn med autisme. I specifik kombination med andre parametre var alder for første smil, første korte sætning og tilstedeværelsen af spisevanskeligheder stærke forudsigere for autisme.
Shyam Rajagopalan, en anden forfatter til undersøgelsen, en tilknyttet forsker i samme afdeling ved Karolinska Institutet og i øjeblikket adjunkt ved Institute of Bioinfomatics and Applied Technology, Indien, siger: “Resultaterne af denne undersøgelse er betydningsfulde, fordi de viser, at det er muligt at identificere personer, der sandsynligvis har autisme, ud fra relativt begrænset og let tilgængelig information”.
Ifølge forskerne er tidlig diagnose afgørende for at implementere effektive interventioner, der kan hjælpe børn med autisme med at udvikle sig optimalt.
“Dette værktøj kan drastisk ændre betingelserne for tidlig diagnose og interventioner og i sidste ende forbedre livskvaliteten for mange individer og deres familier,” siger Rajagopalan.
I undersøgelsen viste AI-modellen gode resultater med at identificere børn med flere vanskeligheder i social kommunikation og kognitive evner og med flere udviklingsforsinkelser.
Forskerholdet planlægger nu yderligere forbedringer og validering af modellen i kliniske omgivelser. Der arbejdes også på at inkludere genetisk information i modellen, hvilket kan føre til endnu mere specifikke og præcise forudsigelser.
“For at sikre, at modellen er pålidelig nok til at blive implementeret i kliniske sammenhænge, kræves der stringent arbejde og omhyggelig validering. Jeg vil understrege, at vores mål er, at modellen skal blive et værdifuldt værktøj for sundhedsvæsenet, og den skal ikke erstatte en klinisk vurdering af autisme,” siger Tammimies.
Kilde til information:
Shyam Rajagopalan et al. [Machine Learning Prediction of Autism Spectrum Disorder from a Minimal Set of Medical and Background Information, JAMA Network Open (2024)]. DOI: 10.1001/jamanetworkopen.2024.29229
Discussion about this post