根据特定的语言里程碑预测儿童自闭症谱系障碍的严重程度:一种随机森林模型方法

科学领域:

• 发育儿科 发育儿科
• 儿童心理学 儿童心理学
• 语音语言病理学 语言病理学

背景情况:

• 语言障碍在自闭症谱系障碍 (ASD) 中很常见,延迟的里程碑作为早期指标.
• 使用特定语言里程碑预测ASD症状严重程度仍然不清楚,特别是诊断延迟.

研究的目的:

• 调查特定的早期语言里程碑是否预测儿童自闭症谱系障碍 (ASD) 症状严重程度.
• 根据语言发展,开发ASD严重程度的预测模型.

主要方法:

• 分析了574名患有自闭症儿童的33个语言里程碑项目,分为两个年龄组 (<4岁和4岁).
• 利用Boruta算法进行特征选择和随机森林模型进行预测,并进行嵌套交叉验证进行调整.
• 使用启动,报告AUC,准确性,灵敏性,特异性和F1分数来评估模型性能.

主要成果:

• 在4岁以下的儿童中确定了14个显著的语言预测器,在4岁及以上的儿童中确定了16个ASD严重程度.
• 关键预测因素包括"识别1张图片"和"通过语言表达需求" (年轻人群),以及"识别2种颜色"和"通过姓名呼叫伴侣" (年长人群).
• 随机森林模型显示出强大的预测性能,AUC为0.81 ± 0.01 (年轻) 和0.85 ± 0.00 (年长).

结论:

• 早期的语言里程碑,特别是实用性的里程碑,是ASD严重程度的有价值的预测指标.
• 将这些里程碑纳入临床实践可以使早期的严重性评估和个性化干预计划成为可能.
• 这些发现特别适用于初级保健机构,以改善ASD管理.