在树木中找到森林:使用机器学习和在线认知和感知措施来预测成人自闭症诊断

科学领域:

• 神经科学是一个神经科学.
• 心理学 心理学 心理学
• 人工智能的人工智能

背景情况:

• 传统的自闭症诊断工具依赖于主观测量,限制了对行为差异和诊断预测的洞察力.
• 自闭症的异质性使得通过单个神经心理领域的检测变得复杂.
• 长时间的诊断等待时间阻碍了及时获得护理,需要改进的识别方法.

研究的目的:

• 用机器学习评估基于表现的自闭症诊断措施的预测准确性.
• 为了确定关键的神经心理因素预测自闭症.
• 评估基于绩效的措施和选问卷的综合预测能力.

主要方法:

• 对自闭症和非自闭症成年人进行了在线任务,评估多感官感知,情感识别和执行功能.
• 采用机器学习算法进行参与者分类和特征重要性分析.
• 对比了单个措施的预测准确性,它们的组合,以及添加选问卷.

主要成果:

• 基于绩效的综合测量和流行的查问卷实现了92%的自闭症预测准确度.
• 机器学习成功地预测了自闭症在具有挑战性的迟诊断人口中.
• 在个别差异不显著的变量组合中发现了预测值,这表明了复杂的关系.

结论:

• 基于绩效的措施为自闭症预测提供了一个有希望的客观方法,补充了现有的主观查工具.
• 机器学习可以识别与自闭症相关的复杂,潜在的关系,从而使查工具的优化成为可能.
• 这种方法提高了诊断的可访问性和准确性,特别是在难以识别的个体.