Prédiction de l'autisme à 3 ans à partir de mesures comportementales et développementales chez les nourrissons à haut risque: une analyse longitudinale des classificateurs interdomaines

Aperçu: G.M.

L'équipe a intégré de multiples mesures comportementales et de développement à partir de plusieurs points de temps en utilisant l'apprentissage automatique pour améliorer la prédiction précoce des résultats individuels des "troubles du spectre de l'autisme "(TSA). Les chercheurs ont analysé les échelles Mullen d'apprentissage précoce, les échelles de comportement adaptatif de Vineland et les symptômes précoces de TSA entre 8 et 36 mois chez des frères et soeurs à risque élevé (HR n = 161) et chez des témoins à faible risque (LR, n = 71). Longitudinalement, LR et HR-Typique ont montré un niveau de développement et de fonctionnement plus élevé, et moins de symptômes de TSA que HR-atypique et HR-TSA.  

À 8 mois, l'apprentissage automatique classait HR-TSA au niveau du hasard, et un développement atypique plus large avec 69,2% Area Under the Curve (AUC). 

 À 14 mois, les TSA et développement atypique plus large ont été classés avec environ 71% d'AUC. Ainsi, la prédiction de TSA n'était possible qu'avec une précision modérée à 14 mois.

Cliquer ICI pour accéder à l'intégralité de l'article en anglais

J Autism Dev Disord. 2018 Feb 16. doi: 10.1007/s10803-018-3509-x

Prediction of Autism at 3 Years from Behavioural and Developmental Measures in High-Risk Infants: A Longitudinal Cross-Domain Classifier Analysis

Bussu G¹, Jones EJH², Charman T³, Johnson MH², Buitelaar JK⁴; BASIS Team.

Collaborators (26)

Baron-Cohen S, Bedford R, Bolton P, Blasi A, Chandler S, Charman T, Cheung C, Davies K, Elsabbagh M, Fernandes J, Gammer I, Garwood H, Gliga T, Guiraud J, Hudry K, Johnson MH, Liew M, Lloyd-Fox S, Maris H, O'Hara L, Pasco G, Pickles A, Ribeiro H, Salomone E, Tucker L, Volein A.

Author information

1

Donders Institute for Brain, Cognition and Behaviour, Radboud University Medical Centre, Kapittelweg 29, 6525 EN, Nijmegen, The Netherlands. g.bussu@donders.ru.nl

2

Centre for Brain and Cognitive Development, Birkbeck, University of London, 32 Torrington Square, London, WC1E 7JL, UK.

3

Department of Psychology, Institute of Psychiatry, Psychology and Neuroscience, King's College London, De Crespigny Park, Denmark Hill, London, SE5 8AF, UK.

4

Donders Institute for Brain, Cognition and Behaviour, Radboud University Medical Centre, Kapittelweg 29, 6525 EN, Nijmegen, The Netherlands.

Abstract

We integrated multiple behavioural and developmental measures from multiple time-points using machine learning to improve early prediction of individual Autism Spectrum Disorder (ASD) outcome. We examined Mullen Scales of Early Learning, Vineland Adaptive Behavior Scales, and early ASD symptoms between 8 and 36 months in high-risk siblings (HR; n = 161) and low-risk controls (LR; n = 71). Longitudinally, LR and HR-Typical showed higher developmental level and functioning, and fewer ASD symptoms than HR-Atypical and HR-ASD. At 8 months, machine learning classified HR-ASD at chance level, and broader atypical development with 69.2% Area Under the Curve (AUC). At 14 months, ASD and broader atypical development were classified with approximately 71% AUC. Thus, prediction of ASD was only possible with moderate accuracy at 14 months.

PMID:29453709

DOI:10.1007/s10803-018-3509-x