En ny maskinlæringsmodell kan forutsi autisme hos små barn fra relativt begrenset informasjon, ifølge en ny studie fra Karolinska Institutet, publisert i tidsskriftet JAMA Network Open. Denne modellen kan lette tidlig oppdagelse av autisme, noe som er viktig for å gi riktig støtte.
Kristiina Tammimies, førsteamanuensis ved KIND, Institutt for kvinners og barnehelse, Karolinska Institutet, en forfatter av studien, sier: «Med en nøyaktighet på nesten 80 % for barn under to år håper vi at dette vil være en verdifullt verktøy for helsevesenet».
Forskerteamet brukte en stor amerikansk database (SPARK) med informasjon om omtrent 30 000 individer med og uten autismespekterforstyrrelser.
Ved å analysere en kombinasjon av 28 forskjellige parametere utviklet forskerne fire distinkte maskinlæringsmodeller for å identifisere mønstre i dataene. Parametrene som ble valgt var informasjon om barn som kan fås uten omfattende vurderinger og medisinske tester før 24 måneders alder. Den best presterende modellen ble kalt “AutMedAI.”
Blant rundt 12 000 individer var AutMedAI-modellen i stand til å identifisere omtrent 80 % av barn med autisme. I spesifikk kombinasjon med andre parametere var alder på første smil, første korte setning og tilstedeværelsen av spisevansker sterke prediktorer for autisme.
Shyam Rajagopalan, en annen forfatter av studien, en tilknyttet forsker ved samme avdeling ved Karolinska Institutet og for tiden assisterende professor ved Institute of Bioinfomatics and Applied Technology, India, sier: «Resultatene av denne studien er viktige fordi de viser at det er mulig å identifisere individer som sannsynligvis har autisme fra relativt begrenset og lett tilgjengelig informasjon».
Ifølge forskerne er tidlig diagnose avgjørende for å implementere effektive intervensjoner som kan hjelpe barn med autisme med å utvikle seg optimalt.
“Dette verktøyet kan drastisk endre betingelsene for tidlig diagnose og intervensjoner, og til slutt forbedre livskvaliteten for mange individer og deres familier,” sier Rajagopalan.
I studien viste AI-modellen gode resultater i å identifisere barn med flere vansker i sosial kommunikasjon og kognitiv evne og med mer utviklingsforsinkelser.
Forskerteamet planlegger nå ytterligere forbedringer og validering av modellen i kliniske omgivelser. Det arbeides også med å inkludere genetisk informasjon i modellen, noe som kan føre til enda mer spesifikke og nøyaktige spådommer.
«For å sikre at modellen er pålitelig nok til å implementeres i kliniske sammenhenger, kreves det strengt arbeid og nøye validering. Jeg vil understreke at målet vårt er at modellen skal bli et verdifullt verktøy for helsevesenet, og den er ikke ment å erstatte en klinisk vurdering av autisme, sier Tammimies.
Kilde til informasjon:
Shyam Rajagopalan et al. [Machine Learning Prediction of Autism Spectrum Disorder from a Minimal Set of Medical and Background Information, JAMA Network Open (2024)]. DOI: 10.1001/jamanetworkopen.2024.29229
Discussion about this post