En ny studie publisert i JAMA Network Open brukte kunstig intelligens til å identifisere småbarn som kan ha autismespekterforstyrrelser (ASD).
Forskere ved Karolinska Institutet i Sverige har utviklet en maskinlæringsmodell som kan forutsi autisme med omtrent 80% nøyaktighet hos barn under to år, kun ved hjelp av grunnleggende medisinsk informasjon og bakgrunnsinformasjon.
Den studieDr. Kristiina Tammimies og hennes team brukte data fra Simons Foundation Powering Autism Research for Knowledge (SPARK)-databasen, som inneholder omfattende informasjon om personer med autisme og deres familier.
Forskerne analyserte data fra 30 660 deltakere, jevnt fordelt mellom dem med og uten autismediagnose.
"Ved hjelp av [AI-modellen] kan det være mulig å bruke tilgjengelig informasjon og tidligere identifisere personer med forhøyet sannsynlighet for autisme, slik at de kan få tidligere diagnose og hjelp", sier han. sa dr. Tammimiesog understreker den potensielle effekten av arbeidet deres.
Teamet fokuserte på 28 lett tilgjengelige mål som kunne samles inn før barnet var 24 måneder gammelt.
Disse inkluderte foreldrerapportert informasjon fra medisinske spørreskjemaer og bakgrunnsspørreskjemaer, for eksempel alder ved første smil, spiseatferd og milepæler i språkutviklingen.
Forskerne laget og testet deretter fire ulike maskinlæringsmodeller, og til slutt valgte de ut den beste modellen, som de kalte "AutMedAI".
Lovende resultater
For å sikre at AutMedAI modellen fungerte godt på ulike grupper av mennesker, testet teamet den på to separate datasett:
- Nesten 12 000 nye deltakere fra en oppdatert versjon av den opprinnelige databasen
- Omtrent 3000 personer med autisme fra en annen studie
Resultatene var oppløftende. Da AI-en ble testet på et større datasett med nye deltakere, identifiserte den 78,9% av barna som enten hadde autisme eller ikke. Dette betyr at den var nøyaktig i omtrent 4 av 5 tilfeller.
Dr. Tammimies bemerket: "Jeg vil understreke at algoritmen ikke kan diagnostisere autisme, da dette [fortsatt] bør gjøres med kliniske metoder etter gullstandarden."
Forskerne fant også trekk som var spesielt prediktive for autisme.
Det gjaldt blant annet problemer med å spise mat, alderen da barna for første gang konstruerte lengre setninger, alderen da de ble pottetrenet og alderen da de smilte for første gang.
Det er interessant å merke seg at modellens resultater var robuste på tvers av aldersgrupper, kjønn og rasemessig bakgrunn.
Dette er spesielt bemerkelsesverdig, ettersom noen av de eksisterende screeningverktøyene har vist seg å være skjeve når det gjelder å identifisere autisme i ulike grupper.
Tidlig diagnose kan forbedre pasientutfallet
Tidlig oppdagelse av autisme er avgjørende. Det åpner døren til rettidige tiltak som kan forbedre barnets utvikling og resultater på lang sikt.
Dr. Shyam Rajagopalan, som er førsteforfatter av studien, forklarer: "Dette kan drastisk endre forutsetningene for tidlig diagnose og intervensjoner, og til syvende og sist forbedre livskvaliteten for mange individer og deres familier."
Forskerne advarer imidlertid om at det er nødvendig med ytterligere validering i kliniske miljøer før modellen tas i bruk.
De jobber også med å innlemme genetisk informasjon i modellen, noe som kan øke nøyaktigheten ytterligere.
AI-diagnostiske verktøy er selvsagt bare et supplement til andre kliniske observasjoner - og ikke erstatte dem.
Denne forskningen føyer seg inn i rekken av stadig flere arbeider som utforsker AI-anvendelser innen psykisk helse.
Nyere studier har for eksempel vist AIs potensial i forutsi angstnivåer basert på enkeltpersoners reaksjoner på fotografier, og for å bistå med diagnosen schizofreni.
Andre AI-drevne systemer for tidlig diagnose er utviklet for nevrologiske tilstander, som Parkinsons sykdomog viser hvordan teknologien kan støtte tidlig intervensjon og behandling.
