电脑心电图记录作为非常早期自闭症可能性的预测:一种机器学习方法.
Deepa Tilwani1,2,3,4, Jessica Bradshaw3,4,5, Amit Sheth1,2
1Artificial Intelligence Institute, University of South Carolina, Columbia, SC 29208, USA.
Bioengineering (Basel, Switzerland)
|July 29, 2023
概括
婴儿的心电图 (ECG) 信号显示出早期自闭症谱系障碍 (ASD) 的潜在生物标志物. 这项研究使用机器学习来分析心脏活动,这表明心电图可以帮助识别患ASD风险的婴儿.
科学领域:
- 神经科学和发育儿科 儿科
- 生物标志物发现发现
背景情况:
- 自闭症谱系障碍 (ASD) 的患病率正在增加,需要更早的检测.
- 目前的自闭症诊断依赖于行为评估,通常发生在2-5岁后,延迟了关键的早期干预.
- 对于早期发现自闭症的非侵入性婴儿生物标志物有极大需求.
研究的目的:
- 研究心电图 (ECG) 记录作为3-6个月大的婴儿中自闭症谱系障碍 (ASD) 的潜在非侵入性生物标志物.
- 评估机器学习算法在使用婴儿心电图数据对ASD家族概率进行分类方面的有效性.
主要方法:
- 记录了3-6个月龄的婴儿在自然互动过程中对ASD的典型和高家族概率的ECG信号.
- 从心电图信号中提取了包括心率变化 (HRV),同情和副同情活动在内的生理特征.
- 利用并比较多个机器学习分类器,包括KNN,以评估ASD概率分类.
主要成果:
- 婴儿心电图信号包含与ASD家族概率相关的重要信息.
- 在分类ASD概率方面,KNN分类器表现最好,准确度为0.70 (p=0.02).
- 关键性能指标包括灵敏度 (0.70),F1得分 (0.689),精度 (0.717) 和ROC (0.686).
结论:
- 电脑心电图信号充满希望,作为一种有价值的工具,用于识别更有可能患有自闭症的婴儿.
- 这项研究支持自主控制指数的潜力,来源于ECG,用于开发早期ASD生物标志物.
- 对ECG衍生的标记物的进一步调查可以促进早期干预,并改善ASD儿童的结果.
