早期检测自闭症使用数字行为表型

科学领域:

• 神经发育障碍 神经发育障碍
• 儿科卫生技术技术 儿科卫生技术
• 机器学习在医学中的应用

背景情况:

• 早期发现自闭症对于干预至关重要,但目前的查工具在现实环境中显示的准确性较低,特别是在有色人种的女孩和儿童中.
• 传统的查方法在不同的人群中经常面临挑战,导致诊断和获得服务的潜在差异.

研究的目的:

• 在日常健康儿童检查期间,评估一款新型自闭症查数字应用程序 (app) 在多样化的儿科患者群体中的准确性.
• 评估应用程序在不同人口群体的表现,包括性别,种族和种族.
• 探索数字表型化对客观和可扩展的自闭症查的潜力.

主要方法:

• 这是一项前性多临床研究,涉及475名17-36个月的儿童.
• 在儿科健康儿童访问期间使用数字查应用程序,显示刺激以引起自闭症的行为迹象.
• 使用计算机视觉和机器学习量化行为标志,使用结合多个数字现象型的算法.

主要成果:

• 自闭症查算法显示了高的诊断准确性 (AUC=0.90,灵敏度=87.8%,特异性=80.8%).
• 该应用程序在性别,种族和种族定义的子组中表现出类似的敏感性,这表明偏见减少.
• 高负预测值 (97.8%) 表明强有力的排除自闭症的能力.

结论:

• 数字表型化为初级保健机构中自闭症查提供了一个有希望的客观和可扩展的方法.
• 将数字表型与护理人员问卷相结合,可以进一步提高查准确性和公平性.
• 这项技术有可能改善早期诊断,并减少自闭症诊断和干预准入方面的差异.