在自闭症中通过不良行为模式预测发作和高风险事件

科学领域:

• 神经科学是一个神经科学.
• 行为科学 行为科学
• 人工智能的人工智能

背景情况:

• 自闭症谱系障碍 (ASD) 是一种复杂的神经发育状况.
• 患有深度自闭症的个体经常经历发作和高风险行为,如侵略性,自我伤害行为 (SIB) 和逃跑.
• 预测这些事件对于及时干预和支持至关重要.

研究的目的:

• 确定历史行为数据是否可以预测深度自闭症患者未来的和高风险行为事件.
• 将发作预测与行为数据分析整合在一起,探索不良行为与发作风险之间的联系.
• 开发一个早期预警系统,以改善患者护理.

主要方法:

• 分析了353名患有深度自闭症的个体9年的行为和数据.
• 开发和应用一个深度学习算法来预测下一天的和三个高风险行为 (侵略,SIB,逃跑).
• 使用基于变的统计测试来验证预测性表现的意义.

主要成果:

• 深度学习模型实现了很高的预测准确度:70.5%的发作,78.3%的攻击性,80.2%的SIB和85.7%的逃跑.
• 预测性能在超过85%的受试者中具有统计学意义.
• 高风险行为被确定为随后具有挑战性的行为和即将发生的发作事件的重要早期指标.

结论:

• 这项研究首次证明,行为模式可以预测ASD患者的发作.
• 这些发现突出了ASD预测建模的临床实用性,扩大了其应用范围,不仅仅是行为预测.
• 基于这些预测的早期预警系统可以通过预测和减轻关键事件来增强干预,改善包容性,提高ASD患者的生活质量.