Advantages of combining multiple eye-tracking paradigms for distinguishing young autistic from non-autistic children.

Contexte : Les protocoles uniques de suivi oculaire, bien que utiles pour distinguer les enfants autistes des non-autistes, souffrent de variations d'efficacité et de reproductibilité. Il existe un besoin de biomarqueurs numériques rapides et évolutifs intégrant des informations complémentaires. Objectif : Évaluer l'intérêt de combiner plusieurs paradigmes de suivi oculaire pour améliorer la précision diagnostique. Méthode : 74 enfants autistes et 63 non-autistes (âgés de 24 à 72 mois) ont réalisé cinq paradigmes (traitement des émotions faciales, suivi du regard, motifs sociaux vs géométriques, interaction sociale, et objets en rotation) sur 3,25 minutes. Des métriques basées sur les fixations ont été extraites et analysées via des modèles random forest (RF). Résultats : Bien que chaque paradigme isolé distingue les groupes, le modèle combiné a atteint une AUC de 95 % et une précision de 90 %. L'analyse de similarité représentationnelle montre que les paradigmes apportent des informations partiellement distinctes. Des sous-groupes spécifiques chez les enfants autistes ont été identifiés via le clustering des données de suivi oculaire. Intérêt clinique : Ce protocole multi-paradigmes offre une discrimination robuste entre cas et témoins, des lectures comportementales non redondantes, et pourrait compléter les approches basées sur les symptômes. Il suggère un cadre évolutif pour des études futures liant les découvertes moléculaires aux profils observables. Limites : La validation interne se limite à une seule cohorte ; des biais potentiels (déséquilibre sexuel, différences de quotient développemental) pourraient affecter les résultats. Une validation externe et des tests sur des échantillons plus diversifiés et à risque élevé sont nécessaires.

Combinaison de paradigmes de suivi oculaire pour améliorer la précision diagnostique Modèle combiné avec AUC de 95 % et précision de 90 % Identification de sous-groupes chez les enfants autistes via le clustering des données Nécessité de validation externe et d'expansion des échantillons

Outil numérique scalable pour le dépistage précoce Complément aux approches basées sur les symptômes Potentiel pour des études intégrant des données moléculaires

Validation interne uniquement sur une cohorte Risque de biais liés au déséquilibre sexuel et aux différences développementales Absence de tests sur des échantillons neurodéveloppementaux diversifiés

Modéré