Feasibility of forecasting self-injurious behavior among autistic youth using wearable sensors and machine learning models.

Contexte : Le comportement auto-lésif (CAL) représente un défi clinique majeur chez les personnes autistes, souvent traité de manière réactive. La prévision du CAL pourrait permettre un soutien précoce, mais sa faisabilité reste mal établie. Objectif : Évaluer la faisabilité de la prévision du CAL chez les jeunes autistes en utilisant des capteurs portables et des modèles d'apprentissage automatique (ML). Méthode : Une étude s'appuyant sur un jeu de données existant (n = 9) comprenant des données de mouvement et physiologiques. Quatre modèles ML (Random Forest, AdaBoost.M2, LSTM, Double-Stacked LSTM) ont été comparés sur cinq horizons de prévision (3s à 120s) et trois ensembles de caractéristiques (mouvement uniquement, physiologique uniquement, combiné). Les performances ont été mesurées via des métriques avec une validation croisée Leave-One-Subject-Out. Résultats : Une amélioration significative de la performance a été observée avec des horizons de prévision plus longs (au-delà d'une minute). Cependant, les résultats agrégés n'ont pas montré de différences significatives entre modèles ou ensembles de caractéristiques. L'analyse individuelle suggère une faisabilité prédictive, mais les configurations optimales dépendent fortement des individus. Intérêt clinique : La prévision du CAL via des capteurs portables est techniquement réalisable, ouvrant la voie à des systèmes de soutien proactif. Cela pourrait transformer la prise en charge en permettant des interventions anticipées. Limites : La petite taille de l'échantillon (n = 9) et la variabilité des performances soulignent la nécessité d'approches personnalisées pour des applications cliniques utiles. Les résultats restent préliminaires et nécessitent des validations sur des cohortes plus larges.

Utilisation de capteurs portables et d'apprentissage automatique pour prédire le CAL chez les jeunes autistes. Amélioration de la performance avec des horizons de prévision plus longs (au-delà d'une minute). Nécessité d'approches personnalisées en raison de la variabilité inter-individuelle des modèles. Faisabilité démontrée, mais limitée par une petite taille d'échantillon et des résultats préliminaires.

Potentiel de systèmes de soutien proactif basés sur des données en temps réel. Nécessité de personnaliser les modèles ML pour chaque individu. Ouverture à des applications futures en santé comportementale et neurodéveloppementale.

Étude sur un petit échantillon (n = 9), limitant la généralisation. Variabilité des performances entre individus, nécessitant des validations supplémentaires. Absence de données sur l'impact clinique réel des prédictions.

Preprint