En ny undersøgelse offentliggjort i JAMA Network Open brugte AI til at identificere småbørn, der kan have autismespektrumforstyrrelse (ASD).
Forskere ved Karolinska Institutet i Sverige har udviklet en maskinlæringsmodel, der kan forudsige autisme med ca. 80% nøjagtighed hos børn under to år, kun ved hjælp af grundlæggende medicinsk information og baggrundsinformation.
Den undersøgelseKristiina Tammimies og hendes team brugte data fra Simons Foundation Powering Autism Research for Knowledge (SPARK)-databasen, som indeholder omfattende oplysninger om personer med autisme og deres familier.
Forskerne analyserede data fra 30.660 deltagere, jævnt fordelt mellem dem med og uden en autismediagnose.
"Ved hjælp af [AI-modellen] kan det være muligt at bruge tilgængelig information og tidligere identificere personer med forhøjet sandsynlighed for autisme, så de kan få en tidligere diagnose og hjælp". sagde Dr. Tammimiesog understreger den potentielle effekt af deres arbejde.
Teamet fokuserede på 28 let tilgængelige mål, som kunne indsamles, før et barn var 24 måneder gammelt.
Disse omfattede forældrerapporterede oplysninger fra medicinske spørgeskemaer og baggrundsspørgeskemaer, såsom alder ved første smil, spiseadfærd og milepæle i sprogudviklingen.
Forskerne skabte og testede derefter fire forskellige maskinlæringsmodeller og valgte til sidst den, der klarede sig bedst, og som de kaldte "AutMedAI".
Lovende resultater
For at sikre AutMedAI modellen fungerede godt på forskellige grupper af mennesker, testede teamet den på to separate datasæt:
- Næsten 12.000 nye deltagere fra en opdateret version af deres oprindelige database
- Omkring 3.000 personer med autisme fra et andet studie
Resultaterne var opmuntrende. Da den blev testet på det større datasæt med nye deltagere, identificerede AI'en korrekt 78,9% af børnene som enten havende autisme eller ej. Det betyder, at den var præcis i ca. 4 ud af 5 tilfælde.
Dr. Tammimies bemærkede: "Jeg vil gerne understrege, at algoritmen ikke kan diagnosticere autisme, da dette [stadig] skal gøres med kliniske guldstandardmetoder."
Forskerne fandt også træk, der var særligt forudsigelige for autisme.
De omfattede problemer med at spise mad, den alder, hvor børn første gang konstruerede længere sætninger, den alder, hvor de blev pottetrænede, og den alder, hvor de første gang smilede.
Interessant nok var modellens resultater robuste på tværs af forskellige aldersgrupper, køn og racemæssige baggrunde.
Dette er særligt bemærkelsesværdigt, da nogle eksisterende screeningsværktøjer har vist sig at være skævvredne i forhold til at identificere autisme på tværs af forskellige grupper.
Tidlig diagnose kan forbedre patienternes resultater
Tidlig opdagelse af autisme er afgørende. Det åbner døren til rettidige indgreb, der kan forbedre barnets udvikling og langsigtede resultater enormt.
Som Dr. Shyam Rajagopalan, undersøgelsens førsteforfatter, forklarede: "Dette kan drastisk ændre betingelserne for tidlig diagnose og indgreb og i sidste ende forbedre livskvaliteten for mange personer og deres familier."
Forskerne advarer dog om, at det er nødvendigt med yderligere validering i kliniske omgivelser, før modellen rulles ud.
De arbejder også på at indarbejde genetisk information i modellen, hvilket kan øge dens nøjagtighed yderligere.
Selvfølgelig supplerer AI-diagnostiske værktøjer kun andre kliniske observationer - og ikke erstatte dem.
Denne forskning slutter sig til en voksende mængde arbejde, der udforsker AI-applikationer inden for mental sundhed.
For eksempel har nylige undersøgelser vist AI's potentiale inden for Forudsigelse af angstniveauer baseret på enkeltpersoners reaktioner på fotografier, og ved at hjælpe med diagnose af skizofreni.
Andre AI-drevne systemer til tidlig diagnose er blevet udviklet til neurologiske tilstande, såsom Parkinsonsog viser, hvordan teknologien kan understøtte tidlig indgriben og behandling.
