Une approche d'apprentissage automatique pour éclairer la réalisation d'étapes du développement chez les enfants autistes

Aperçu: G.M.

Contexte: Les soins aux enfants avec un diagnostic de "trouble du spectre de l'autisme" (dTSA) peuvent être difficiles pour les familles et les systèmes de soins médicaux. Cela est particulièrement vrai dans les pays à revenu faible et intermédiaire (PRFI) comme le Bangladesh. Pour améliorer la communication avec le médecin de famille et le suivi du développement des enfants avec un dTSA, [épeler] (mCARE) a été développé. Dans le cadre de cette étude, mCARE a été utilisé pour suivre la réalisation des jalons de l'enfant et les actifs sociodémographiques de la famille afin d'éclairer la faisabilité / l'évolutivité de mCARE et les recommandations des praticiens éclairés sur les actifs de la famille. 

Objectif:
Les objectifs de ce document sont triples. Tout d'abord, documenter comment mCARE peut être utilisé pour surveiller la réalisation des jalons de l'enfant. Deuxièmement, montrer comment les modèles avancés d'apprentissage automatique peuvent éclairer notre compréhension de la réalisation de jalons chez les enfants avec un dTSA. Troisièmement, décrire les facteurs sociodémographiques de la famille/ de l'enfant qui sont associés à la réalisation de jalons plus tôt chez les enfants avec un dTSA (à travers cinq modèles d'apprentissage automatique). 

Méthodes:
À l'aide des données recueillies par mCARE, cette étude a évalué la réalisation d'étapes chez 300 enfants avec un dTSA au Bangladesh. Dans cette étude, nous avons utilisé quatre algorithmes d'apprentissage automatique supervisé (ML), arbre de décision, régression logistique, k-voisins les plus proches (KNN), réseau de neurones artificiels) et un apprentissage automatique non supervisé (ANN) pour construire des modèles de réalisation de jalons basés sur la famille / détails socio-démographiques de l'enfant. Pour les analyses, l'échantillon a été divisé au hasard en deux pour former les modèles ML, puis leur précision a été estimée sur la base de l'autre moitié de l'échantillon. Chaque modèle a été spécifié pour les étapes suivantes: se brosser les dents, demander à utiliser les toilettes, uriner dans les toilettes ou boutonner de gros boutons. 

Résultats:
Cette étude visait à trouver un algorithme d'apprentissage automatique approprié pour la prédiction / réalisation des jalons pour les enfants avec un  dTSA en utilisant les caractéristiques sociodémographiques de la famille / de l'enfant.
Pour Brosser les dents, les trois modèles d'apprentissage automatique supervisé ont atteint ou dépassé une précision de 95%, la régression logistique, KNN et ANN étant les prédicteurs sociodémographiques les plus robustes.
Pour les demandes d'utiliser les toilettes, une précision de 84,00% a été obtenue avec les modèles KNN et ANN. Pour ces modèles, les prédicteurs sociodémographiques familiaux des «dépenses familiales» et de «l'âge des parents» représentaient la majeure partie de la variabilité du modèle.
Les deux derniers paramètres, Uriner dans les toilettes ou boutonner de gros boutons avaient une précision de 91,00% et 76,00%, respectivement, en ANN. Dans l'ensemble, l'ANN avait une précision plus élevée (supérieure à ~ 80% en moyenne) parmi les autres algorithmes pour tous les paramètres. Dans les modèles et les jalons, les «dépenses familiales», «la taille / type de famille», les «lieux de vie» et «l'âge et la profession des parents» étaient les facteurs sociodémographiques les plus influents de la famille et de l'enfant. 

Conclusions:
mCARE a été déployé avec succès dans un PRFI (c'est-à-dire au Bangladesh), permettant aux parents et aux soignants un mécanisme pour partager des informations détaillées sur la réalisation des jalons des enfants. En utilisant des techniques de modélisation avancées, cette étude montre comment les éléments sociodémographiques de la famille / des enfants peuvent contribuer à la réalisation de jalons de l'enfant. Plus précisément, les familles ayant moins de ressources sociodémographiques ont déclaré avoir atteint un jalon plus tard. Les théories des sciences du développement soulignent comment la famille / les systèmes peuvent influencer directement le développement de l'enfant et cette étude établit un lien clair entre les ressources familiales et les progrès du développement de l'enfant. Les implications cliniques de ce travail pourraient inclure le soutien du système familial élargi pour améliorer la réalisation des jalons de l'enfant. 

. 2021 May 12.  doi: 10.2196/29242. 

A machine learning approach to inform developmental milestone achievement for children with autism

Munirul M Haque  ¹ , Masud Rabbani  ² , Dipranjan Das Dipal  ² , Md Ishrak Islam Zarif  ² , Anik Iqbal  ² , Amy Schwichtenberg  ³ , Naveen Bansal  ⁴ , Tanjir Rashid Soron  ⁵ , Syed Ishtiaque Ahmed  ⁶ , Sheikh Iqbal Ahamed  ²

Affiliations

• PMID: 33984830
• DOI: 10.2196/29242

Free article

Abstract

Background: Care for children with autism spectrum disorder (ASD) can be challenging for families and medical care systems. This is especially true in Low-and-Middle-Income-countries (LMIC) like Bangladesh. To improve family-practitioner communication and developmental monitoring of children with ASD, [spell out] (mCARE) was developed. Within this study, mCARE was used to track child milestone achievement and family socio-demographic assets to inform mCARE feasibility/scalability and family-asset informed practitioner recommendations.

Objective: The objectives of this paper are three-fold. First, document how mCARE can be used to monitor child milestone achievement. Second, demonstrate how advanced machine learning models can inform our understanding of milestone achievement in children with ASD. Third, describe family/child socio-demographic factors that are associated with earlier milestone achievement in children with ASD (across five machine learning models).

Methods: Using mCARE collected data, this study assessed milestone achievement in 300 children with ASD from Bangladesh. In this study, we used four supervised machine learning (ML) algorithms (Decision Tree, Logistic Regression, k-Nearest Neighbors, Artificial Neural Network) and one unsupervised machine learning (K-means Clustering) to build models of milestone achievement based on family/child socio-demographic details. For analyses, the sample was randomly divided in half to train the ML models and then their accuracy was estimated based on the other half of the sample. Each model was specified for the following milestones: Brushes teeth, Asks to use the toilet, Urinates in the toilet or potty, and Buttons large buttons.

Results: This study aimed to find a suitable machine learning algorithm for milestone prediction/achievement for children with ASD using family/child socio-demographic characteristics. For, Brushes teeth, the three supervised machine learning models met or exceeded an accuracy of 95% with Logistic Regression, KNN, and ANN as the most robust socio-demographic predictors. For Asks to use toilet, 84.00% accuracy was achieved with the KNN and ANN models. For these models, the family socio-demographic predictors of "family expenditure" and "parents' age" accounted for most of the model variability. The last two parameters, Urinates in toilet or potty and Buttons large buttons had an accuracy of 91.00% and 76.00%, respectively, in ANN. Overall, the ANN had a higher accuracy (Above ~80% on average) among the other algorithms for all the parameters. Across the models and milestones, "family expenditure", "family size/ type", "living places" and "parent's age and occupation" were the most influential family/child socio-demographic factors.

Conclusions: mCARE was successfully deployed in an LMIC (i.e., Bangladesh), allowing parents and care-practitioners a mechanism to share detailed information on child milestones achievement. Using advanced modeling techniques this study demonstrates how family/child socio-demographic elements can inform child milestone achievement. Specifically, families with fewer socio-demographic resources reported later milestone attainment. Developmental science theories highlight how family/systems can directly influence child development and this study provides a clear link between family resources and child developmental progress. Clinical implications for this work could include supporting the larger family system to improve child milestone achievement.

Clinicaltrial: We took the IRB from Marquette University Institutional Review Board on July 9, 2020, with the protocol number HR-1803022959, and titled "MOBILE-BASED CARE FOR CHILDREN WITH AUTISM SPECTRUM DISORDER USING REMOTE EXPERIENCE SAMPLING METHOD (MCARE)" for recruiting a total of 316 subjects, of which we recruited 300. (Details description of participants in Methods section).