28 juillet 2012

Use of machine learning to shorten observation-based screening and diagnosis of autism

Traduction: G.M.

Wall DP, Kosmicki J, Deluca TF, Harstad E, Fusaro VA.

Source
1] Center for Biomedical Informatics, Harvard Medical School, Boston, MA, USA [2] Department of Pathology, Beth Israel Deaconess Medical Center, Boston, MA, USA.

Résumé
L'Echelle d'observation pour le Diagnostic de l'Autisme(ADOS) est l'un des instruments les plus largement utilisés pour l'évaluation comportementale des troubles du spectre autistique. Il est composé de quatre modules, chacun étant adapté pour un groupe spécifique d'individus sur la base de leur niveau de langage et de développement. En moyenne, un module prend entre 30 et 60 min de passation. Nous avons utilisé une série d'algorithmes d'apprentissage automatique pour étudier l'ensemble des scores du module 1 sur l'échelle ADOS disponibles à l'Autism Genetic Resource Exchange (AGRE) pour 612 personnes avec une classification de l'autisme et 15 personnes sans autisme à la fois pour l'AGRE et pour le Boston Autism Consortium (AC).
Notre analyse a révélé que 8 des 29 articles contenus dans le module 1 de l'ADOS étaient suffisantes pour classer l'autisme avec une précision de 100%. Nous avons en outre validé l'exactitude de ce classificateur en huit points contre des ensembles complets de résultats provenant de deux sources indépendantes, un ensemble de 110 personnes atteintes d'autisme de l'AC et un ensemble de 336 personnes atteintes d'autisme de la Fondation Simons. Dans les deux cas, notre classificateur a fonctionné avec une sensibilité de presque 100%, classifiant correctement tout sauf deux des individus de ces deux ressources avec un diagnostic d'autisme, et avec une spécificité de 94% sur un ensemble observées et simulées de sujets sans autisme. Le classificateur contient plusieurs éléments trouvés dans l'algorithme de ADOS, ce qui démontre la validité élevée du test, et a pour conséquence également des points quantitatifs qui mesurent la confiance classification et la largeur du phénotype. et a également eu comme la conséquence des points quantitatifs qui mesurent la confiance du classement et l'extravagance du phénotype. Avec les taux d'incidence qui augmentent, la capacité de classer l'autisme rapidement et efficacement exige une conception minutieuse des outils d'évaluation et de diagnostic.

Étant donné la brièveté, l'exactitude et la nature quantitative du classifieur, les résultats de cette étude peuvent s'avérer de valeur dans le développement d'instruments mobiles pour l'évaluation préliminaire et l'hiérarchisation clinique en particulier ceux-là se sont concentrés sur l'évaluation de vidéos courtes de famille d'enfants - qui accélère la rythme de l'évaluation initiale et étend la portée à un pourcentage beaucoup plus important de la population à risque.

Aucun commentaire: