Traduction: G.M.
Transl Psychiatry. 2014 Aug 12;4:e424. doi: 10.1038/tp.2014.65.
Test de la précision d'un classificateur basée sur l'observation pour la détection rapide du risque d'autisme
Duda M1, Kosmicki JA2, Wall DP1.
Author information
- 1Division of Systems Medicine, Department of Pediatrics, Stanford University, Stanford, CA, USA.
- 21] Analytic and Translational Genetics Unit, Department of Medicine, Massachusetts General Hospital and Harvard Medical School, Boston, MA, USA [2] Program in Medical and Population Genetics, Broad Institute of Harvard and MIT, Cambridge, MA, USA.
Abstract
Current approaches for diagnosing autism
have high diagnostic validity but are time consuming and can contribute
to delays in arriving at an official diagnosis.
Les approches actuelles pour le diagnostic de l'autisme ont une validité diagnostique élevée mais prennent du temps et peuvent contribuer à des retards pour arriver à un diagnostic officiel.
In a pilot study, we used machine learning to derive a classifier that represented a 72% reduction in length from the gold-standard Autism Diagnostic Observation Schedule-Generic (ADOS-G), while retaining >97% statistical accuracy.
Dans une étude pilote, nous avons utilisé l'apprentissage de machine pour obtenir un classificateur qui représente une réduction de 72% de la longueur de l'étalon-or Autism Diagnostic Observation Schedule-Generic (ADOS-G), tout en conservant> 97% de la précision statistique.
The pilot study focused on a relatively small sample of children with and without autism. The present study sought to further test the accuracy of the classifier (termed the observation-based classifier (OBC)) on an independent sample of 2616 children scored using ADOS from five data repositories and including both spectrum (n=2333) and non-spectrum (n=283) individuals.
L'étude pilote a porté sur un échantillon relativement petit d'enfants avec et sans autisme. La présente étude visait à tester encore la précision du classificateur (appelé classificateur basée sur l'observation (OBC)) sur un échantillon indépendant de 2616 enfants testé avec l'ADOS issus de cinq référentiels de données et comprenant des enfants à la fois dans (n = 2333) et hors du spectre (n = 283)
We tested OBC outcomes against the outcomes provided by the original and current ADOS algorithms, the best estimate clinical diagnosis, and the comparison score severity metric associated with ADOS-2. The OBC was significantly correlated with the ADOS-G (r=-0.814) and ADOS-2 (r=-0.779) and exhibited >97% sensitivity and >77% specificity in comparison to both ADOS algorithm scores.
Nous avons testé les résultats OBC contre les résultats fournis par les algorithmes originaux et actuels de l'ADOS, la meilleure diagnostic clinique estimé et le score de comparaison métrique de gravité associé à ADOS-2. L'OBC a été significativement corrélé avec l'ADOS-G (r = -0,814) et ADOS-2 (r = -0,779) et montre une sensibilité supérieure à 97% et supérieure à 77% de spécificité par rapport aux deux scores de l'algorithme ADOS.
The correspondence to the best estimate clinical diagnosis was also high (accuracy=96.8%), with sensitivity of 97.1% and specificity of 83.3%. The correlation between the OBC score and the comparison score was significant (r=-0.628), suggesting that the OBC provides both a classification as well as a measure of severity of the phenotype. These results further demonstrate the accuracy of the OBC and suggest that reductions in the process of detecting and monitoring autism are possible.
La correspondance avec la meilleure estimation de diagnostic clinique était également élevée (précision = 96,8%), avec une sensibilité de 97,1% et une spécificité de 83,3%.
La corrélation entre le score OBC et le score de comparaison était significative (r = -0,628), ce qui suggère que l'OBC offre à la fois une classification ainsi qu'une mesure de la gravité du phénotype.
Ces résultats démontrent encore la précision de l'OBC et suggèrent que la réduction dans le procédé de détection et de surveillance de l'autisme est possible.
Les approches actuelles pour le diagnostic de l'autisme ont une validité diagnostique élevée mais prennent du temps et peuvent contribuer à des retards pour arriver à un diagnostic officiel.
In a pilot study, we used machine learning to derive a classifier that represented a 72% reduction in length from the gold-standard Autism Diagnostic Observation Schedule-Generic (ADOS-G), while retaining >97% statistical accuracy.
Dans une étude pilote, nous avons utilisé l'apprentissage de machine pour obtenir un classificateur qui représente une réduction de 72% de la longueur de l'étalon-or Autism Diagnostic Observation Schedule-Generic (ADOS-G), tout en conservant> 97% de la précision statistique.
The pilot study focused on a relatively small sample of children with and without autism. The present study sought to further test the accuracy of the classifier (termed the observation-based classifier (OBC)) on an independent sample of 2616 children scored using ADOS from five data repositories and including both spectrum (n=2333) and non-spectrum (n=283) individuals.
L'étude pilote a porté sur un échantillon relativement petit d'enfants avec et sans autisme. La présente étude visait à tester encore la précision du classificateur (appelé classificateur basée sur l'observation (OBC)) sur un échantillon indépendant de 2616 enfants testé avec l'ADOS issus de cinq référentiels de données et comprenant des enfants à la fois dans (n = 2333) et hors du spectre (n = 283)
We tested OBC outcomes against the outcomes provided by the original and current ADOS algorithms, the best estimate clinical diagnosis, and the comparison score severity metric associated with ADOS-2. The OBC was significantly correlated with the ADOS-G (r=-0.814) and ADOS-2 (r=-0.779) and exhibited >97% sensitivity and >77% specificity in comparison to both ADOS algorithm scores.
Nous avons testé les résultats OBC contre les résultats fournis par les algorithmes originaux et actuels de l'ADOS, la meilleure diagnostic clinique estimé et le score de comparaison métrique de gravité associé à ADOS-2. L'OBC a été significativement corrélé avec l'ADOS-G (r = -0,814) et ADOS-2 (r = -0,779) et montre une sensibilité supérieure à 97% et supérieure à 77% de spécificité par rapport aux deux scores de l'algorithme ADOS.
The correspondence to the best estimate clinical diagnosis was also high (accuracy=96.8%), with sensitivity of 97.1% and specificity of 83.3%. The correlation between the OBC score and the comparison score was significant (r=-0.628), suggesting that the OBC provides both a classification as well as a measure of severity of the phenotype. These results further demonstrate the accuracy of the OBC and suggest that reductions in the process of detecting and monitoring autism are possible.
La correspondance avec la meilleure estimation de diagnostic clinique était également élevée (précision = 96,8%), avec une sensibilité de 97,1% et une spécificité de 83,3%.
La corrélation entre le score OBC et le score de comparaison était significative (r = -0,628), ce qui suggère que l'OBC offre à la fois une classification ainsi qu'une mesure de la gravité du phénotype.
Ces résultats démontrent encore la précision de l'OBC et suggèrent que la réduction dans le procédé de détection et de surveillance de l'autisme est possible.
- PMID: 25116834
Aucun commentaire:
Enregistrer un commentaire