Een nieuw machine learning-model kan autisme bij jonge kinderen voorspellen op basis van relatief beperkte informatie, volgens een nieuwe studie van Karolinska Institutet, gepubliceerd in het tijdschrift JAMA Network Open. Dit model kan vroege detectie van autisme vergemakkelijken, wat belangrijk is voor het bieden van de juiste ondersteuning.
Kristiina Tammimies, universitair hoofddocent bij KIND, afdeling Vrouwen- en Kindergezondheid van het Karolinska Institutet, een van de auteurs van de studie, zegt: “Met een nauwkeurigheid van bijna 80% voor kinderen jonger dan twee jaar hopen we dat dit een waardevol hulpmiddel voor de gezondheidszorg zal zijn”.
Het onderzoeksteam maakte gebruik van een grote Amerikaanse database (SPARK) met informatie van ongeveer 30.000 personen met en zonder autismespectrumstoornissen.
Door een combinatie van 28 verschillende parameters te analyseren, ontwikkelden de onderzoekers vier afzonderlijke machine-learningmodellen om patronen in de data te identificeren. De geselecteerde parameters waren informatie over kinderen die kan worden verkregen zonder uitgebreide beoordelingen en medische tests vóór de leeftijd van 24 maanden. Het best presterende model kreeg de naam “AutMedAI”.
Onder ongeveer 12.000 personen kon het AutMedAI-model ongeveer 80% van de kinderen met autisme identificeren. In specifieke combinatie met andere parameters waren de leeftijd van de eerste glimlach, de eerste korte zin en de aanwezigheid van eetproblemen sterke voorspellers van autisme.
Shyam Rajagopalan, een andere auteur van de studie, een aangesloten onderzoeker bij dezelfde afdeling van het Karolinska Institutet en momenteel assistent-professor aan het Institute of Bioinfomatics and Applied Technology in India, zegt: “De resultaten van deze studie zijn belangrijk omdat ze laten zien dat het mogelijk is om individuen te identificeren die waarschijnlijk autisme hebben op basis van relatief beperkte en gemakkelijk beschikbare informatie”.
Volgens de onderzoekers is een vroege diagnose van cruciaal belang om effectieve interventies te implementeren die kinderen met autisme kunnen helpen zich optimaal te ontwikkelen.
“Deze tool kan de omstandigheden voor vroege diagnose en interventies drastisch veranderen en uiteindelijk de kwaliteit van leven van veel individuen en hun families verbeteren”, aldus Rajagopalan.
Uit het onderzoek bleek dat het AI-model goede resultaten liet zien bij het identificeren van kinderen met meer problemen op het gebied van sociale communicatie en cognitieve vaardigheden en met grotere ontwikkelingsachterstanden.
Het onderzoeksteam plant nu verdere verbeteringen en validatie van het model in klinische settings. Er wordt ook gewerkt aan het opnemen van genetische informatie in het model, wat kan leiden tot nog specifiekere en nauwkeurigere voorspellingen.
“Om te garanderen dat het model betrouwbaar genoeg is om te worden geïmplementeerd in klinische contexten, zijn rigoureus werk en zorgvuldige validatie vereist. Ik wil benadrukken dat ons doel is dat het model een waardevol hulpmiddel wordt voor de gezondheidszorg, en dat het niet bedoeld is om een klinische beoordeling van autisme te vervangen”, zegt Tammimies.
Bron van informatie:
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