I en ny studie som publicerades i JAMA Network Open användes AI för att identifiera småbarn som kan ha autismspektrumstörning (ASD).
Forskare vid Karolinska Institutet i Sverige har utvecklat en maskininlärningsmodell som kan förutsäga autism med cirka 80% noggrannhet hos barn under två år, med hjälp av endast grundläggande medicinsk information och bakgrundsinformation.
Den studieunder ledning av Dr. Kristiina Tammimies och hennes team, använde data från Simons Foundation Powering Autism Research for Knowledge (SPARK)-databasen, som innehåller omfattande information om personer med autism och deras familjer.
Forskarna analyserade data från 30.660 deltagare, jämnt fördelade mellan dem med och utan autismdiagnos.
"Med hjälp av [AI-modellen] kan det vara möjligt att använda tillgänglig information och tidigare identifiera individer med förhöjd sannolikhet för autism så att de kan få tidigare diagnos och hjälp." sade Dr. Tammimiesoch betonar den potentiella effekten av deras arbete.
Teamet fokuserade på 28 lättillgängliga mått som kan samlas in innan barnet är 24 månader gammalt.
Dessa inkluderade föräldrarapporterad information från medicinska frågeformulär och bakgrundsfrågor, till exempel ålder vid första leendet, ätbeteende och milstolpar i språkutvecklingen.
Forskarna skapade och testade sedan fyra olika maskininlärningsmodeller och valde slutligen ut den som gav bäst resultat och som de kallade "AutMedAI".
Lovande resultat
För att säkerställa AutMedAI modellen fungerade bra på olika grupper av människor, testade teamet den på två separata dataset:
- Nästan 12.000 nya deltagare från en uppdaterad version av deras ursprungliga databas
- Cirka 3.000 personer med autism från en annan studie
Resultaten var uppmuntrande. När AI testades på den större datamängden med nya deltagare identifierade den korrekt 78,9% av barnen som antingen hade autism eller inte. Det betyder att det var korrekt i ungefär 4 av 5 fall.
Dr. Tammimies påpekade: "Jag vill betona att algoritmen inte kan diagnostisera autism, eftersom detta [fortfarande] bör göras med kliniska metoder enligt guldstandard."
Forskarna fann också egenskaper som var särskilt prediktiva för autism.
Det handlade bland annat om problem med att äta mat, vid vilken ålder barnen började konstruera längre meningar, vid vilken ålder de blev pottränade och vid vilken ålder de log för första gången.
Intressant nog var modellens prestanda robust över olika åldersgrupper, kön och rasbakgrund.
Detta är särskilt anmärkningsvärt eftersom vissa befintliga screeningverktyg har visat sig vara partiska när det gäller att identifiera autism i olika grupper.
Tidig diagnos kan förbättra patientresultaten
Tidig upptäckt av autism är avgörande. Det öppnar dörren till insatser i rätt tid som kan förbättra barnets utveckling och långsiktiga resultat enormt.
Som Dr. Shyam Rajagopalan, studiens försteförfattare, förklarade: "Detta kan drastiskt förändra förutsättningarna för tidig diagnos och interventioner och i slutändan förbättra livskvaliteten för många individer och deras familjer."
Forskarna varnar dock för att ytterligare validering i kliniska miljöer är nödvändig innan modellen lanseras.
De arbetar också med att införliva genetisk information i modellen, vilket ytterligare skulle kunna öka dess precision.
Diagnostiska AI-verktyg kompletterar naturligtvis bara andra kliniska observationer - och inte ersätta dem.
Denna forskning ansluter sig till en växande mängd arbeten som utforskar AI-tillämpningar inom mental hälsa.
Till exempel har nyligen genomförda studier visat AI:s potential inom Förutsägelse av ångestnivåer baserat på individers reaktioner på fotografier, och för att hjälpa till med diagnos av schizofreni.
Andra AI-drivna system för tidig diagnos har utvecklats för neurologiska tillstånd, såsom Parkinsons sjukdomsom visar hur tekniken kan stödja tidiga insatser och behandling.
