Machine Learning Algorithms for Detection of Autism Spectrum Disorders in Early Childhood: A Scoping Review.
Contexte : Le diagnostic précoce des troubles du spectre autistique (TSA) est essentiel pour améliorer les résultats cliniques, mais reste un défi en raison de la complexité des symptômes et de la variabilité interindividuelle. L'intelligence artificielle, notamment les algorithmes d'apprentissage automatique (AA), offre des perspectives prometteuses pour identifier les TSA en phase précoce. Objectif : Cette revue d'état des lieux évalue les modèles de prédiction basés sur l'apprentissage automatique pour le diagnostic des TSA chez les jeunes enfants, afin de clarifier leur potentiel et les lacunes actuelles en matière de mise en œuvre clinique. Méthode : Une revue systématique a été réalisée en extrayant des études pertinentes de huit bases de données (PubMed, Embase, etc.). Seize études ont été incluses, analysant l'application de divers algorithmes d'AA pour la détection et la prédiction des TSA. Résultats : Les algorithmes les plus utilisés étaient les méthodes basées sur les arbres (44 %), les réseaux de neurones (44 %), les machines à vecteurs de support (31 %) et la régression logistique régularisée (19 %). Douze études (75 %) ont rapporté des valeurs d'AUC (aire sous la courbe) supérieures à 0,7, avec 44 % d'entre elles dépassant 0,9, indiquant une performance prédictive excellente. Intérêt clinique : Les modèles basés sur l'AA montrent un potentiel significatif pour le dépistage précoce des TSA, ce qui pourrait accélérer l'accès aux interventions. Cependant, leur intégration en pratique clinique nécessite une standardisation des cadres de modélisation et une validation rigoureuse. Limites : L'analyse repose uniquement sur l'abstract disponible, limitant la profondeur des détails méthodologiques. De plus, les études incluses ne mentionnent pas explicitement les biais potentiels liés à la diversité des populations étudiées ou aux conditions de validation des modèles.
Algorithmes d'apprentissage automatique (AA) utilisés : arbres, réseaux de neurones, SVM, régression logistique. Performance élevée : 44 % des études avec AUC > 0,9. Nécessité de standardisation et de validation clinique pour une utilisation pratique. Promesse pour le dépistage précoce, mais limites méthodologiques non détaillées.
Les AA pourraient améliorer la précocité du diagnostic des TSA, facilitant l'orientation vers des interventions précoces. Les résultats soulignent l'importance de valider ces modèles sur des cohortes diversifiées pour éviter les biais. Les cliniciens devraient rester prudents et compléter les outils algorithmiques par des évaluations cliniques traditionnelles.
Absence de détails sur les méthodologies d'entraînement des modèles et leur généralisabilité. Manque d'informations sur les conséquences éthiques et pratiques de l'automatisation du diagnostic. Les études incluses ne mentionnent pas les taux de faux positifs ou négatifs, cruciaux en clinique.
Modéré