Identifier les caractéristiques du langage expressif de l'enfance qui prédisent le mieux les résultats du langage et de la communication chez l'adulte chez les personnes avec un diagnostic de "trouble du spectre de l'autisme"

Aperçu: G.M.

Objectif
Plusieurs études ont rapporté que «la parole utile» à 5 ans prédit des résultats chez les personnes avec un diagnostic de "trouble du spectre de l'autisme" (dTSA), mais cette compétence a été vaguement définie. Cette étude examine quels aspects spécifiques du langage expressif chez les enfants avec un dTSA prédisent le mieux les résultats du langage et de la communication chez l'adulte. 

Méthode
Des échantillons de langue provenant de 29 enfants (âgés de 47 à 72 mois) inscrits à un projet longitudinal (p. Ex., Lord et coll., 2006) ont été transcrits et codés pour les caractéristiques de la langue parlée. Une régression linéaire hiérarchique a été utilisée pour comparer les variables suivantes de l'enfance en tant que prédicteurs du langage des adultes et des résultats de la communication: diversité des noms, diversité des verbes, longueur moyenne de l'énoncé et proportion d'énoncés socialement motivés. 

Résultats
La diversité verbale de l'enfance était un prédicteur à valeur ajoutée des quatre mesures de résultats pour adultes (c.-à-d. les scores au verbal IQ, Autism Diagnostic Observation Schedule Communication + Social Interaction Algorithm totals, Peabody Picture Vocabulary Test scores, and Vineland Adaptive Behavior Scales Communication Domain), tandis que le nom la diversité et la proportion d'énoncés à motivation sociale ne sont pas des prédicteurs à valeur ajoutée des mesures des résultats chez les adultes.
Dans un deuxième ensemble d'analyses de régression, la longueur moyenne de l'énoncé a été remplacée par la diversité des verbes et était un prédicteur à valeur ajoutée de deux des quatre mesures des résultats pour adultes (c.-à-d., les scores au verbal IQ and Vineland Adaptive Behavior Scales Communication Domain). Le schéma des résultats pour les autres prédicteurs est resté le même que dans les analyses précédentes. 

Conclusion
Ces résultats ont des implications pour notre compréhension du langage précoce dans les TSA et pour la prise de décision clinique dans la petite enfance. 

. 2021 May 13;1-15. doi: 10.1044/2021_JSLHR-20-00544. 

Identifying Childhood Expressive Language Features That Best Predict Adult Language and Communication Outcome in Individuals With Autism Spectrum Disorder

Kaya J LeGrand  ¹ , Lisa Wisman Weil  ¹ , Catherine Lord  ² , Rhiannon J Luyster  ¹

Affiliations

• PMID: 33984242
• DOI: 10.1044/2021_JSLHR-20-00544

Abstract

Purpose Several studies have reported that "useful speech" at 5 years of age predicts outcomes in individuals with autism spectrum disorder (ASD), but this skill has been vaguely defined. This study investigates which specific aspects of expressive language in children with ASD best predict adult language and communication outcomes. Method Language samples from 29 children (ages 47-72 months) enrolled in a longitudinal project (e.g., Lord et al., 2006) were transcribed and coded for spoken language features. Hierarchical linear regression was used to compare the following childhood variables as predictors of adult language and communication outcomes: noun diversity, verb diversity, mean length of utterance, and proportion of utterances that were socially motivated. Results Childhood verb diversity was a value-added predictor of all four adult outcome measures (i.e., verbal IQ, Autism Diagnostic Observation Schedule Communication + Social Interaction Algorithm totals, Peabody Picture Vocabulary Test scores, and Vineland Adaptive Behavior Scales Communication Domain scores), while noun diversity and proportion of utterances that were socially motivated were not value-added predictors of any adult outcome measures. In a second set of regression analyses, mean length of utterance was substituted for verb diversity and was a value-added predictor of two out of four adult outcome measures (i.e., verbal IQ and Vineland Adaptive Behavior Scales Communication Domain scores). The pattern of findings for the other predictors remained the same as in the previous analyses. Conclusion These results have implications for our understanding of early language in ASD and for clinical decision making in early childhood.

Association entre la puissance de l'électroencéphalographie spectrale et le risque et le diagnostic d'autisme au début du développement

Aperçu: G.M.

Le "trouble du spectre de l'autisme" (TSA) trouve son origine dans le développement atypique des réseaux cérébraux. Les nourrissons qui présentent un risque familial élevé de TSA et qui sont diagnostiqués plus tard avec un TSA présentent une activité atypique dans les mesures oscillatoires d'électroencéphalographie (EEG) multiples. Cependant, les études sur les nourrissons et les frères et sœurs sont souvent limitées par la petite taille des échantillons.
Nous avons utilisé l'International Infant EEG Data Integration Platform, un ensemble de données multi-sites avec 432 participants, dont 222 à haut risque de TSA, auprès desquels des mesures répétées d'EEG ont été collectées entre 3 et 36 mois.
Nous avons appliqué un modèle de courbe de croissance latente pour tester si le statut de risque familial prédit les trajectoires de développement de la puissance spectrale au cours des 3 premières années de la vie, et si ces trajectoires prédisent l'issue des TSA. 

Un changement de puissance spectrale EEG dans toutes les bandes de fréquences s'est produit au cours des 3 premières années de vie. Le risque familial, mais pas un diagnostic ultérieur de TSA, était associé à une puissance réduite à 3 mois et à un changement développemental plus marqué entre 3 et 36 mois dans presque toutes les bandes de puissance absolue.
Le résultat du TSA n'était pas associé à l'interception de puissance absolue ou à la pente. Aucune association n'a été trouvée entre le risque ou le résultat et le pouvoir relatif. 

Cette étude a appliqué une approche analytique non utilisée dans les études prospectives antérieures sur les biomarqueurs des TSA, qui a été modélisée pour refléter la relation temporelle entre la susceptibilité génétique, le développement du cerveau et le diagnostic des TSA.
Les trajectoires de puissance spectrale semblent être prédites par le risque familial; cependant, la puissance spectrale ne permet pas de prédire le résultat du diagnostic au-delà du statut de risque familial. Les divergences entre les résultats actuels et les études précédentes sont discutées. 

RÉSUMÉ: Les nourrissons dont un frère ou une sœur plus âgé reçoit un diagnostic de TSA courent un risque accru de développer eux-mêmes un TSA. Cet article a testé si la puissance spectrale EEG au cours de la première année de vie peut prédire si ces nourrissons ont développé ou non un TSA. 

• 2021 May 6.  doi: 10.1002/aur.2518. 

Association between spectral electroencephalography power and autism risk and diagnosis in early development

Scott Huberty  ¹ , Virginia Carter Leno  ² , Stefon J R van Noordt  ¹ , Rachael Bedford  ^{2   3} , Andrew Pickles  ² , James A Desjardins  ⁴ , Sara Jane Webb  ⁵ , BASIS Team; Mayada Elsabbagh  ¹

Affiliations

• PMID: 33955195
• DOI: 10.1002/aur.2518

Abstract

Autism spectrum disorder (ASD) has its origins in the atypical development of brain networks. Infants who are at high familial risk for, and later diagnosed with ASD, show atypical activity in multiple electroencephalography (EEG) oscillatory measures. However, infant-sibling studies are often constrained by small sample sizes. We used the International Infant EEG Data Integration Platform, a multi-site dataset with 432 participants, including 222 at high-risk for ASD, from whom repeated measurements of EEG were collected between the ages of 3-36 months. We applied a latent growth curve model to test whether familial risk status predicts developmental trajectories of spectral power across the first 3 years of life, and whether these trajectories predict ASD outcome. Change in spectral EEG power in all frequency bands occurred during the first 3 years of life. Familial risk, but not a later diagnosis of ASD, was associated with reduced power at 3 months, and a steeper developmental change between 3 and 36 months in nearly all absolute power bands. ASD outcome was not associated with absolute power intercept or slope. No associations were found between risk or outcome and relative power. This study applied an analytic approach not used in previous prospective biomarker studies of ASD, which was modeled to reflect the temporal relationship between genetic susceptibility, brain development, and ASD diagnosis. Trajectories of spectral power appear to be predicted by familial risk; however, spectral power does not predict diagnostic outcome above and beyond familial risk status. Discrepancies between current results and previous studies are discussed. LAY SUMMARY: Infants with an older sibling who is diagnosed with ASD are at increased risk of developing ASD themselves. This article tested whether EEG spectral power in the first year of life can predict whether these infants did or did not develop ASD.

Keywords: EEG; autism spectrum disorders; infants; siblings.

© 2021 The Authors. Autism Research published by International Society for Autism Research and Wiley Periodicals LLC.

References

REFERENCES

1. 1. Bedford, R., Jones, E. J. H., Johnson, M. H., Pickles, A., Charman, T., & Gliga, T. (2016). Sex differences in the association between infant markers and later autistic traits. Molecular Autism, 7, 21. https://doi.org/10.1186/s13229-016-0081-0
2. 1. Benasich, A. A., Gou, Z., Choudhury, N., & Harris, K. D. (2008). Early cognitive and language skills are linked to resting frontal gamma power across the first 3 years. Behavioural Brain Research, 195(2), 215-222. https://doi.org/10.1016/j.bbr.2008.08.049
3. 1. Bosl, W., Tierney, A., Tager-Flusberg, H., & Nelson, C. (2011). EEG complexity as a biomarker for autism spectrum disorder risk. BMC Medicine, 9, 18. https://doi.org/10.1186/1741-7015-9-18
4. 1. Bosl, W. J., Tager-Flusberg, H., & Nelson, C. A. (2018). EEG analytics for early detection of autism spectrum disorder: A data-driven approach. Scientific Reports, 8(1), 6828. https://doi.org/10.1038/s41598-018-24318-x
5. 1. Bigdely-Shamlo, N., Touryan, J., Ojeda, A., Kothe, C., Mullen, T., & Robbins, K. (2020). Automated EEG mega-analysis I: Spectral and amplitude characteristics across studies. NeuroImage, 207, 116361. https://doi.org/10.1016/j.neuroimage.2019.116361
6. 1. Botvinik-Nezer, R., Holzmeister, F., Camerer, C. F., Dreber, A., Huber, J., Johannesson, M., Kirchler, M., Iwanir, R., Mumford, J. A., Adcock, R. A., Avesani, P., Baczkowski, B. M., Bajracharya, A., Bakst, L., Ball, S., Barilari, M., Bault, N., Beaton, D., Beitner, J., … Schonberg, T. (2020). Variability in the analysis of a single neuroimaging dataset by many teams. Nature, 582(7810), 84-88. https://doi.org/10.1038/s41586-020-2314-9
7. 1. Charman, T., Loth, E., Tillmann, J., Crawley, D., Wooldridge, C., Goyard, D., Ahmad, J., Auyeung, B., Ambrosino, S., Banaschewski, T., Baron-Cohen, S., Baumeister, S., Beckmann, C., Bolte, S., Bourgeron, T., Bours, C., Brammer, M., Brandeis, D., Brogna, C., … Buitelaar, J. K. (2017). The EU-AIMS Longitudinal European Autism Project (LEAP): Clinical characterisation. Molecular Autism, 8, 27. https://doi.org/10.1186/s13229-017-0145-9
8. 1. Cheng, J., Edwards, L. J., Maldonado-Molina, M. M., Komro, K. A., & Muller, K. E. (2010). Real longitudinal data analysis for real people: Building a good enough mixed model. Statistics in Medicine, 29(4), 504-520. https://doi.org/10.1002/sim.3775
9. 1. Constantino, J. N., Zhang, Y., Frazier, T., Abbacchi, A. M., & Law, P. (2010). Sibling recurrence and the genetic epidemiology of autism. The American Journal of Psychiatry, 167(11), 1349-1356. https://doi.org/10.1176/appi.ajp.2010.09101470
10. 1. D'Abate, L., Walker, S., Yuen, R. K. C., Tammimies, K., Buchanan, J. A., Davies, R. W., Thiruvahindrapuram, B., Wei, J., Brian, J., Bryson, S. E., Dobkins, K., Howe, J., Landa, R., Leef, J., Messinger, D., Ozonoff, S., Smith, I. M., Stone, W. L., Warren, Z. E., … Scherer, S. W. (2019). Predictive impact of rare genomic copy number variations in siblings of individuals with autism spectrum disorders. Nature Communications, 10(1), 5519. https://doi.org/10.1038/s41467-019-13380-2
11. 1. Debnath, R., Buzzell, G. A., Morales, S., Bowers, M. E., Leach, S. C., & Fox, N. A. (2020). The Maryland analysis of developmental EEG (MADE) pipeline. Psychophysiology, 57(6), e13580. https://doi.org/10.1111/psyp.13580
12. 1. Desjardins, J. A., van Noordt, S., Huberty, S., Segalowitz, S. J., & Elsabbagh, M. (2020). EEG integrated platform lossless (EEG-IP-L) pre-processing pipeline for objective signal quality assessment incorporating data annotation and blind source separation. Journal of Neuroscience Methods, 347, 108961. https://doi.org/10.1016/j.jneumeth.2020.108961
13. 1. Di Martino, A., Yan, C. G., Li, Q., Denio, E., Castellanos, F. X., Alaerts, K., Anderson, J. S., Assaf, M., Bookheimer, S. Y., Dapretto, M., Deen, B., Delmonte, S., Dinstein, I., Ertl-Wagner, B., Fair, D. A., Gallagher, L., Kennedy, D. P., Keown, C. L., Keysers, C., … Milham, M. P. (2014). The autism brain imaging data exchange: Towards a large-scale evaluation of the intrinsic brain architecture in autism. Molecular Psychiatry, 19(6), 659-667. https://doi.org/10.1038/mp.2013.78
14. 1. Dickinson, A., DiStefano, C., Lin, Y.-Y., Scheffler, A. W., Senturk, D., & Jeste, S. S. (2018). Interhemispheric alpha-band hypoconnectivity in children with autism spectrum disorder. Behavioural Brain Research, 348, 227-234. https://doi.org/10.1016/j.bbr.2018.04.026
15. 1. Elsabbagh, M. (2020). Linking risk factors and outcomes in autism spectrum disorder: Is there evidence for resilience? BMJ (Clinical Research Ed.), 368, l6880. https://doi.org/10.1136/bmj.l6880
16. 1. Elsabbagh, M., & Johnson, M. H. (2016). Autism and the social brain: The First-YearPuzzle. Biological Psychiatry, 80(2), 94-99. https://doi.org/10.1016/j.biopsych.2016.02.019
17. 1. Elsabbagh, M., Mercure, E., Hudry, K., Chandler, S., Pasco, G., Charman, T., Pickles, A., Baron-Cohen, S., Bolton, P., Johnson, M. H., & Team, B. A. S. I. S. (2012). Infant neural sensitivity to dynamic eye gaze is associated with later emerging autism. Current Biology: CB, 22(4), 338-342. https://doi.org/10.1016/j.cub.2011.12.056
18. 1. Ewen, J. B., Sweeney, J. A., & Potter, W. Z. (2019). Conceptual, regulatory and strategic imperatives in the early days of EEG-based biomarker validation for neurodevelopmental disabilities. Frontiers in Integrative Neuroscience, 13, 45. https://doi.org/10.3389/fnint.2019.00045
19. 1. Fox, N. A., & Bell, M. A. (1990). Electrophysiological indices of frontal lobe development. Relations to cognitive and affective behavior in human infants over the first year of life. Annals of the New York Academy of Sciences, 608, 677-698 discussion 698-704.
20. 1. Gabard-Durnam, L. J., Mendez Leal, A. S., Wilkinson, C. L., & Levin, A. R. (2018). The Harvard automated processing pipeline for electroencephalography (HAPPE): Standardized processing software for developmental and high-artifact data. Frontiers in Neuroscience, 12, 97. https://doi.org/10.3389/fnins.2018.00097
21. 1. Gabard-Durnam, L. J., Wilkinson, C., Kapur, K., Tager-Flusberg, H., Levin, A. R., & Nelson, C. A. (2019). Longitudinal EEG power in the first postnatal year differentiates autism outcomes. Nature Communications, 10(1), 4188. https://doi.org/10.1038/s41467-019-12202-9
22. 1. Gasser, T., Bächer, P., & Steinberg, H. (1985). Test-retest reliability of spectral parameters of the EEG. Electroencephalography and Clinical Neurophysiology, 60, 312-319.
23. 1. Gorgolewski, K. J., Auer, T., Calhoun, V. D., Craddock, R. C., Das, S., Duff, E. P., Flandin, G., Ghosh, S. S., Glatard, T., Halchenko, Y. O., Handwerker, D. A., Hanke, M., Keator, D., Li, X., Michael, Z., Maumet, C., Nichols, B. N., Nichols, T. E., Pellman, J., … Poldrack, R. A. (2016). The brain imaging data structure, a format for organizing and describing outputs of neuroimaging experiments. Scientific Data, 3(1), 160044. https://doi.org/10.1038/sdata.2016.44
24. 1. Hazlett, H. C., Gu, H., Munsell, B. C., Kim, S. H., Styner, M., Wolff, J. J., Elison, J. T., Swanson, M. R., Zhu, H., Botteron, K. N., Collins, D. L., Constantino, J. N., Dager, S. R., Estes, A. M., Evans, A. C., Fonov, V. S., Gerig, G., Kostopoulos, P., McKinstry, R. C., … Piven, J. (2017). Early brain development in infants at high risk for autism spectrum disorder. Nature, 542(7641), 348-351. https://doi.org/10.1038/nature21369
25. 1. Islam, M. K., Rastegarnia, A., & Yang, Z. (2016). Methods for artifact detection and removal from scalp EEG: A review. Neurophysiologie Clinique/Clinical Neurophysiology, 46(4), 287-305. https://doi.org/10.1016/j.neucli.2016.07.002
26. 1. Jamal, W., Das, S., Oprescu, I.-A., Maharatna, K., Apicella, F., & Sicca, F. (2014). Classification of autism spectrum disorder using supervised learning of brain connectivity measures extracted from synchrostates. Journal of Neural Engineering, 11(4), 046019. https://doi.org/10.1088/1741-2560/11/4/046019
27. 1. Jones, E. J. H., Dawson, G., Kelly, J., Estes, A., & Webb, S. J. (2017). Parent-deliveredearly intervention in infants at risk for ASD: Effects on electrophysiological and habituation measures of social attention. Autism Research: Official Journal of the International Society for Autism Research, 10(5), 961-972. https://doi.org/10.1002/aur.1754
28. 1. Jones, E. J. H., Gliga, T., Bedford, R., Charman, T., & Johnson, M. H. (2014). Developmental pathways to autism: A review of prospective studies of infants at risk. Neuroscience and Biobehavioral Reviews, 39, 1-33. https://doi.org/10.1016/j.neubiorev.2013.12.001
29. 1. Jones, E. J. H., Venema, K., Earl, R. K., Lowy, R., & Webb, S. J. (2017). Infant social attention: An endophenotype of ASD-related traits? Journal of Child Psychology and Psychiatry, and Allied Disciplines, 58(3), 270-281. https://doi.org/10.1111/jcpp.12650
30. 1. Jones, E. J. H., Venema, K., Earl, R., Lowy, R., Barnes, K., Estes, A., Dawson, G., & Webb, S. J. (2016). Reduced engagement with social stimuli in 6-month-old infants with later autism spectrum disorder: A longitudinal prospective study of infants at high familial risk. Journal of Neurodevelopmental Disorders, 8, 7. https://doi.org/10.1186/s11689-016-9139-8
31. 1. Jones, Emily J. H., Kaitlin Venema, Rachel Lowy, Rachel K. Earl, and Sara Jane Webb.“Developmental changes in infant brain activity during naturalistic social experiences.” Developmental Psychobiology 57, no. 7 (November 2015): 842-53. https://doi.org/10.1002/dev.21336.
32. 1. Leach, S. C., Morales, S., Bowers, M. E., Buzzell, G. A., Debnath, R., Beall, D., & Fox, N. A. (2020). Adjusting ADJUST: Optimizing the ADJUST algorithm for pediatric data using geodesic nets. Psychophysiology, 57(8), e13566. https://doi.org/10.1111/psyp.13566
33. 1. Levin, A. R., Méndez Leal, A. S., Gabard-Durnam, L. J., & O'Leary, H. M. (2018). BEAPP: The batch electroencephalography automated processing platform. Frontiers in Neuroscience, 12, 513. https://doi.org/10.3389/fnins.2018.00513
34. 1. Levin, A. R., Varcin, K. J., O'Leary, H. M., Tager-Flusberg, H., & Nelson, C. A. (2017). EEG power at 3 months in infants at high familial risk for autism. Journal of Neurodevelopmental Disorders, 9(1), 34. https://doi.org/10.1186/s11689-017-9214-9
35. 1. Lord, C., Risi, S., Lambrecht, L., Cook, E. H., Leventhal, B. L., DiLavore, P. C., Pickles, A., & Rutter, M. (2000). The autism diagnostic observation schedule-generic: A standard measure of social and communication deficits associated with the spectrum of autism. Journal of Autism and Developmental Disorders, 30(3), 205-223.
36. 1. Lord, C., Rutter, M., DiLavorre, P., Risi, S., Gotham, K., & Bishop, S. (2012). Autism diagnostic observation schedule-2nd edition (ADOS-2). Western Psychological Services.
37. 1. McDermott, J. E., Wang, J., Mitchell, H., Webb-Robertson, B.-J., Hafen, R., Ramey, J., & Rodland, K. D. (2013). Challenges in biomarker discovery: Combining expert insights with statistical analysis of complex omics data. Expert Opinion on Medical Diagnostics, 7(1), 37-51. https://doi.org/10.1517/17530059.2012.718329
38. 1. McDonald, N. M., Senturk, D., Scheffler, A., Brian, J. A., Carver, L. J., Charman, T., Chawarska, K., Curtin, S., Hertz-Piccioto, I., Jones, E. J. H., Klin, A., Landa, R., Messinger, D. S., Ozonoff, S., Stone, W. L., Tager-Flusberg, H., Webb, S. J., Young, G., Zwaigenbaum, L., & Jeste, S. S. (2019). Developmental trajectories of infants with multiplex family risk for autism: A baby siblings research consortium study. JAMA Neurology, 77(1), 73-81. https://doi.org/10.1001/jamaneurol.2019.3341
39. 1. Messinger, D. S., Young, G. S., Webb, S. J., Ozonoff, S., Bryson, S. E., Carter, A., Carver, L., Charman, T., Chawarska, K., Curtin, S., Dobkins, K., Hertz-Picciotto, I., Hutman, T., Iverson, J. M., Landa, R., Nelson, C. A., Stone, W. L., Tager-Flusberg, H., & Zwaigenbaum, L. (2015). Early sex differences are not autism-specific: A Baby Siblings Research Consortium (BSRC) study. Molecular Autism, 6(1). http://dx.doi.org/10.1186/s13229-015-0027-y.
40. 1. Mundy, P., Card, J., & Fox, N. (2000). EEG correlates of the development of infant joint attention skills. Developmental Psychobiology, 36(4), 325-338.
41. 1. Noreika, V., Georgieva, S., Wass, S., & Leong, V. (2020). 14 challenges and their solutions for conducting social neuroscience and longitudinal EEG research with infants. Infant Behavior and Development, 58, 101393. https://doi.org/10.1016/j.infbeh.2019.101393
42. 1. O'Reilly, C., Lewis, J. D., & Elsabbagh, M. (2017). Is functional brain connectivity atypical in autism? A systematic review of EEG and MEG studies. PLoS One, 12(5), e0175870. https://doi.org/10.1371/journal.pone.0175870
43. 1. Orekhova, E. V., Elsabbagh, M., Jones, E. J., Dawson, G., Charman, T., & Johnson, M. H. (2014). EEG hyper-connectivity in high-risk infants is associated with later autism. Journal of Neurodevelopmental Disorders, 6(1), 40. https://doi.org/10.1186/1866-1955-6-40
44. 1. Orekhova, E. V., Stroganova, T. A., Posikera, I. N., & Elam, M. (2006). EEG theta rhythm in infants and preschool children. Clinical Neurophysiology, 117(5), 1047-1062. https://doi.org/10.1016/j.clinph.2005.12.027
45. 1. Parikshak, N. N., Luo, R., Zhang, A., Won, H., Lowe, J. K., Chandran, V., Horvath, S., & Geschwind, D. H. (2013). Integrative functional genomic analyses implicate specific molecular pathways and circuits in autism. Cell, 155(5), 1008-1021. https://doi.org/10.1016/j.cell.2013.10.031
46. 1. Payakachat, N., Tilford, J. M., & Ungar, W. J. (2016). National database for autism research (NDAR): Big data opportunities for health services research and health technology assessment. PharmacoEconomics, 34(2), 127-138. https://doi.org/10.1007/s40273-015-0331-6
47. 1. Pernet, C. R., Appelhoff, S., Gorgolewski, K. J., Flandin, G., Phillips, C., Delorme, A., & Oostenveld, R. (2019). EEG-BIDS, an extension to the brain imaging data structure for electroencephalography. Scientific Data, 6(1), 103. https://doi.org/10.1038/s41597-019-0104-8
48. 1. Righi, G., Tierney, A. L., Tager-Flusberg, H., & Nelson, C. A. (2014). Functional connectivity in the first year of life in infants at risk for autism spectrum disorder: An EEG study. PLoS One, 9(8), e105176. https://doi.org/10.1371/journal.pone.0105176
49. 1. Salinsky, M. C., Oken, B. S., & Morehead, L. (1991). Test-retest reliability in EEG frequency analysis. Electroencephalography and Clinical Neurophysiology, 79(5), 382-392. https://doi.org/10.1016/0013-4694(91)90203-g
50. 1. Robbins, K. A., Touryan, J., Mullen, T., Kothe, C., & Bigdely-Shamlo, N. (2020). How sensitive are EEG results to preprocessing methods: A benchmarking study. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 28(5), 1081-1090. https://doi.org/10.1109/TNSRE.2020.2980223
51. 1. Szatmari, P., Chawarska, K., Dawson, G., Georgiades, S., Landa, R., Lord, C., Messinger, D. S., Thurm, A., & Halladay, A. (2016). Prospective longitudinal studies of infant siblings of children with autism: Lessons learned and future directions. Journal of the American Academy of Child and Adolescent Psychiatry, 55(3), 179-187. https://doi.org/10.1016/j.jaac.2015.12.014
52. 1. Tierney, A. L., Gabard-Durnam, L., Vogel-Farley, V., Tager-Flusberg, H., & Nelson, C. A. (2012). Developmental trajectories of resting EEG power: An endophenotype of autism spectrum disorder. PLoS One, 7(6), e39127. https://doi.org/10.1371/journal.pone.0039127
53. 1. Traut, N., Beggiato, A., Bourgeron, T., Delorme, R., Rondi-Reig, L., Paradis, A. L., & Toro, R. (2018). Cerebellar volume in autism: Literature meta-analysis and analysis of the autism brain imaging data exchange cohort. Biological Psychiatry, 83(7), 579-588. https://doi.org/10.1016/j.biopsych.2017.09.029
54. 1. van Noordt, S., Desjardin, J., Huberty, S., Abbou-Abbas, L., Webb, S., Levin, A., Segalowitz, S., Evans, A., The BASIS Team, & Elsabbagh, M. (2020). EEG-IP: An international infant EEG data integration platform for the study of risk and resilience in autism and related conditions. Molecular Medicine, 26(1), 40. https://doi.org/10.1186/s10020-020-00149-3.
55. 1. Wang, J., Barstein, J., Ethridge, L. E., Mosconi, M. W., Takarae, Y., & Sweeney, J. A. (2013). Resting state EEG abnormalities in autism spectrum disorders. Journal of Neurodevelopmental Disorders, 5(1), 24. https://doi.org/10.1186/1866-1955-5-24
56. 1. Webb, S. J., Bernier, R., Henderson, H. A., Johnson, M. H., Jones, E. J. H., Lerner, M. D., McPartland, J. C., Nelson, C. A., Rojas, D. C., Townsend, J., & Westerfield, M. (2015). Guidelines and best practices for electrophysiological data collection, analysis and reporting in autism. Journal of Autism and Developmental Disorders, 45(2), 425-443. https://doi.org/10.1007/s10803-013-1916-6
57. 1. Wilkinson, C. L., Gabard-Durnam, L. J., Kapur, K., Tager-Flusberg, H., Levin, A. R., & Nelson, C. A. (2019). Use of longitudinal EEG measures in estimating language development in infants with and without familial risk for autism spectrum disorder. Neurobiology of Language, 1, 33-53.
58. 1. Wolff, J. J., Gu, H., Gerig, G., Elison, J. T., Styner, M., Gouttard, S., Botteron, K. N., Dager, S. R., Dawson, G., Estes, A. M., Evans, A. C., Hazlett, H. C., Kostopoulos, P., McKinstry, R. C., Paterson, S. J., Schultz, R. T., Zwaigenbaum, L., & Piven, J. (2012). Differences in white matter fiber tract development present from 6 to 24 months in infants with autism. The American Journal of Psychiatry, 169(6), 589-600. https://doi.org/10.1176/appi.ajp.2011.11091447
59. 1. Wolff, J. J., Jacob, S., & Elison, J. T. (2018). The journey to autism: Insights from neuroimaging studies of infants and toddlers. Development and Psychopathology, 30(2), 479-495. https://doi.org/10.1017/S0954579417000980t

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

*Prédicteurs longitudinaux des résultats pour les adultes avec trouble du spectre de l'autisme: revue systématique

Traduction: G.M.

OTJR (Thorofare N J). 2016 Apr;36(2):55-64. doi: 10.1177/1539449216650182.

Longitudinal Predictors of Outcomes for Adults With Autism Spectrum Disorder: Systematic Review

Kirby AV¹, Baranek GT², Fox L².

Author information

• ¹University of North Carolina at Chapel Hill, Chapel Hill, NC, USA University of Utah, Salt Lake City, UT, USA avkirby@gmail.com
• ²University of North Carolina at Chapel Hill, Chapel Hill, NC, USA.

Abstract

To generate an evidence-based understanding of longitudinal predictors of social outcomes (i.e., employment, social relationships/participation, independent living) of adults with autism spectrum disorder (ASD), we conducted a systematic literature review of publications since 2000. Twelve publications deriving from eight study samples fit inclusion/exclusion criteria for the review. In these publications, statistically significant predictors of social outcomes fell into five categories: (a) personal characteristics, (b) individual functioning, (c) family context, (d) services, and (e) other factors (i.e., peer influence, health status). However, only two studies demonstrated high methodological quality, and only one category of predictors-individual functioning-was identified across multiple study samples. To inform practices for youth with ASD, there remains a need for high-quality outcome research related to adults with ASD to better understand predictors, especially related to environmental factors such as related to the family and services received. 
Pour générer une compréhension fondée sur des preuves des prédicteurs longitudinales de résultats sociaux (c.-à l'emploi, les relations / participation sociale, vie indépendante) des adultes avec trouble du spectre autistique (TSA), nous avons effectué une revue systématique de la littérature des publications depuis 2000. Douze publications découlant de huit échantillons d'étude répondent à des critères d'inclusion / exclusion pour l'examen. Dans ces publications, les prédicteurs statistiquement significatifs de résultats sociaux tombent dans cinq catégories: 
(a) les caractéristiques personnelles, 
(b) le fonctionnement individuel, 
(c) le contexte familial, 
(d) les services, et 
(e) d'autres facteurs (par exemple, l'influence des pairs, état de santé). 
Cependant, seules deux études ont démontré une haute qualité méthodologique, et une seule catégorie de prédicteurs - le fonctionnement individuel - a été identifiée dans plusieurs échantillons d'étude. Pour informer les pratiques pour les jeunes avec TSA, il reste un besoin pour la recherche des résultats de haute qualité liés à des adultes avec TSA afin de mieux comprendre les prédicteurs, en particulier ceux liées à des facteurs environnementaux tels que ceux liés à la famille et aux services reçus.
© The Author(s) 2016.

PMID: 27504878

DOI: 10.1177/1539449216650182

La matière blanche du tronc cérébral prédit les différences individuelles dans les difficultés motrices manuelles et la sévérité des symptômes dans l'autisme

Traduction: G.M.

 

J Autism Dev Disord. 2015 May 23.

Brainstem White Matter Predicts Individual Differences in Manual Motor Difficulties and Symptom Severity in Autism

Travers BG¹, Bigler ED, Tromp DP, Adluru N, Destiche D, Samsin D, Froehlich A, Prigge MD, Duffield TC, Lange N, Alexander AL, Lainhart JE.

Author information

• ¹Waisman Laboratory for Brain Imaging and Behavior, Waisman Center, University of Wisconsin-Madison, 1500 Highland Avenue, Madison, WI, 53705, USA, btravers@wisc.edu

Abstract

Mounting evidence suggests that poorer motor skills may be related to more severe autism symptoms. This study investigated if atypical white matter microstructure in the brain mediated the relationship between motor skills and ASD symptom severity. Sixty-seven males with ASD and 42 males with typical development (5-33 years old) completed a diffusion tensor imaging scan and measures of grip strength, finger tapping, and autism symptom severity. Within the ASD group, weaker grip strength predicted more severe autism symptoms. Fractional anisotropy of the brainstem's corticospinal tract predicted both grip strength and autism symptom severity and mediated the relationship between the two. These findings suggest that brainstem white matter may contribute to autism symptoms and grip strength in ASD.

Résumé

Une accumulation de preuves suggère que les compétences motrices moindres peuvent être liées à des symptômes de l'autisme plus graves. Cette étude a examiné si la microstructure de la matière blanche atypique dans le cerveau est un médiateur de la relation entre les habiletés motrices et la sévérité des symptômes du TSA. Soixante-sept hommes avec un diagnostic de TSA et 42 hommes avec un développement typique (5-33 ans) ont terminé un scanner par imagerie de tenseur de diffusion et des mesures de la force de préhension, du tapotement des doigts, et de la sévérité des symptômes de l'autisme.

Au sein du groupe de TSA, une plus faible force de préhension prédit des symptômes de l'autisme plus graves.

L'anisotropie fractionnée du faisceau cortico-spinal du tronc cérébral prédit à la fois la force de préhension et la gravité des symptômes de l'autisme et induit la relation entre les deux.

Ces résultats suggèrent que la matière blanche du tronc cérébral peut contribuer aux symptômes de l'autisme et à la force de préhension dans les TSA. 

PMID: 26001365

L'augmentation des compétences de comportement adaptatif de l'enfance à l'adolescence dans le trouble du spectre autistique: Rôle de la fonction exécutive

Traduction: G.M.

J Autism Dev Disord. 2014 Nov 15.

Increasing Adaptive Behavior Skill Deficits From Childhood to Adolescence in Autism Spectrum Disorder: Role of Executive Function

Pugliese CE¹, Anthony L, Strang JF, Dudley K, Wallace GL, Kenworthy L.

Author information

• ¹Division of Neuropsychology, Center for Autism Spectrum Disorders, Children's National Health System, Rockville, MD, USA, CPuglies@childrensnational.org

Résumé

Près de la moitié de tous les enfants avec des troubles du spectre autistique ont des capacités cognitives moyennes, cependant les résultats restent médiocres. Parce que les résultats dans le TSAHF (Troubles du Spectre Autistique avec un Haut niveau de Fonctionnement cognitif) est davantage lié aux compétences dans les comportements adaptatifs qu'au niveau cognitif, il est important d'identifier les prédicteurs du comportement adaptatif. 
Cette étude examine les facteurs cognitifs et démographiques liés au comportement adaptatif, avec une attention particulière au rôle de la fonction exécutive (EF) chez les jeunes âgés de 4 à 23 ans avec TSAHF.  
Il y avait une relation négative entre l'âge et le comportement adaptatif et l'écart entre le QI et le comportement adaptatif augmente avec l'âge. Les problèmes d'EF ont contribué à la baisse des scores du comportement adaptatif entre les différents domaines.  
En tant que tel, il est important de cibler les capacités d'adaptation, et les problèmes de EF qui peuvent y contribuer, chez les jeunes avec HFASD.

PMID: 25398602 

Abstract

Almost half of all children with autism spectrum disorder have average cognitive abilities, yet outcome remains poor. Because outcome in HFASD is more related to adaptive behavior skills than cognitive level it is important to identify predictors of adaptive behavior. This study examines cognitive and demographic factors related to adaptive behavior, with specific attention to the role of executive function (EF) in youth with HFASD aged 4-23. There was a negative relationship between age and adaptive behavior and the discrepancy between IQ and adaptive behavior increased with age. EF problems contributed to lower adaptive behavior scores across domains. As such, it is important to target adaptive skills, and the EF problems that may contribute to them, in youth with HFASD.

Le niveau d'intérêt des 2 ans avec des troubles du spectre autistique prédit le taux d'acquisition des compétences verbales, non verbales, et adaptatives

Traduction: G.M.

Autism. 2014 Nov 14. pii: 1362361314555376. [Epub ahead of print]

Interest level in 2-year-olds with autism spectrum disorder predicts rate of verbal, nonverbal, and adaptive skill acquisition

Klintwall L¹, Macari S², Eikeseth S³, Chawarska K².

Author information

• ¹Oslo and Akershus University College, Norway lars.klintwall@hioa.no
• ²Yale University School of Medicine, USA.
• ³Oslo and Akershus University College, Norway.

Résumé

Des études récentes ont suggéré que les taux d'acquisition de compétences pour les enfants avec des troubles du spectre autistique qui reçoivent les interventions précoces peuvent être prédits par la motivation de l'enfant. Nous avons examiné si le niveau d'intérêt au cours d'une évaluation ADOS à 2 ans prédit ensuite les taux d'acquisition des compétences verbales, non verbales, et d'adaptation à l'âge de 3 ans. Un total de 70 enfants en bas âge avec des troubles du spectre de l'autisme, à l'âge moyen de 21,9 mois, ont été classé par niveau d'intérêt de notation pour l'autisme, la quantification de l'intérêt des tout-petits pour les jouets, les routines et les activités sociales, qui pourraient servir de renforcements dans une intervention. Le niveau d'adaptation et l'âge mental ont été mesurés simultanément (temps 1) et de nouveau après un délai moyen de 16,3 mois de traitement (temps 2). Le score de la notation du niveau d'intérêt dans l'autisme, le score de l'Autism Diagnostic Observation Schedule, l'âge adaptatif équivalent, l'âge mental verbal et non verbal, et l'intensité de l'intervention ont été saisies dans les modèles de régression pour prédire les taux d'acquisition de compétences.  
Le niveau d'intérêt au temps 1 prédit le taux d'acquisition ultérieur de capacités d'adaptation (R2 = 0,36) et l'âge mental verbal (R2 = 0,30), au-dessus et au-delà des effets au temps 1 de l'âge mental verbal et non verbal et des scores de l'ADOS.  
Le niveau d'intérêt au temps 1 a également contribué (R2 = 0,30), avec une intensité de traitement, à la variance dans le développement de l'âge mental non verbal.

Abstract

Recent studies have suggested that skill acquisition rates for children with autism spectrum disorders receiving early interventions can be predicted by child motivation. We examined whether level of interest during an Autism Diagnostic Observation Schedule assessment at 2 years predicts subsequent rates of verbal, nonverbal, and adaptive skill acquisition to the age of 3 years. A total of 70 toddlers with autism spectrum disorder, mean age of 21.9 months, were scored using Interest Level Scoring for Autism, quantifying toddlers' interest in toys, social routines, and activities that could serve as reinforcers in an intervention. Adaptive level and mental age were measured concurrently (Time 1) and again after a mean of 16.3 months of treatment (Time 2). Interest Level Scoring for Autism score, Autism Diagnostic Observation Schedule score, adaptive age equivalent, verbal and nonverbal mental age, and intensity of intervention were entered into regression models to predict rates of skill acquisition. Interest level at Time 1 predicted subsequent acquisition rate of adaptive skills (R² = 0.36) and verbal mental age (R² = 0.30), above and beyond the effects of Time 1 verbal and nonverbal mental ages and Autism Diagnostic Observation Schedule scores. Interest level at Time 1 also contributed (R² = 0.30), with treatment intensity, to variance in development of nonverbal mental age.
© The Author(s) 2014.

PMID: 25398893