Modèle de dépistage basé sur l'apprentissage automatique pour les troubles tics comorbides avec le trouble déficitaire de l'attention avec hyperactivité chez les enfants et interprétation des valeurs SHAP : une étude observationnelle rétrospective.Machine learning-based screening model for Tic disorders comorbid with attention-deficit/hyperactivity disorder in children and SHAP value interpretation: a retrospective observational study.
- Le modèle random forest a atteint une AUC de 0,780 pour prédire la comorbidité TDAH chez les enfants avec TD.
- Sept caractéristiques cliniques clés ont été identifiées via Lasso et retenues pour le modèle.
- L'initiative d'apprentissage et le type de tuteur étaient les prédicteurs les plus importants selon SHAP.
Étude pertinente pour NeuroWatch car elle aborde un problème clinique fréquent (comorbidité TD-TDAH) et propose un outil de dépistage basé sur l'apprentissage automatique. Cependant, les limitations méthodologiques (rétrospectif, monocentrique, pas de validation externe) réduisent le niveau de preuve et l'applicabilité immédiate, justifiant une note de 70.
Étude rétrospective monocentrique limitant la généralisabilité. Absence de validation externe, la performance en conditions réelles est inconnue. L'AUC de 0,78 indique une discrimination modérée. Certains facteurs de confusion potentiels n'ont pas été inclus.
Cette étude a développé un modèle d'apprentissage automatique pour identifier les enfants atteints de troubles tic (TD) avec une forte probabilité de comorbidité TDAH. À partir d'une cohorte rétrospective de 1364 enfants, sept caractéristiques cliniques (initiative d'apprentissage, type de tuteur, performances académiques, rhinite allergique, irritabilité, hypertrophie adénoïdienne, qualité du sommeil) ont été retenues. Le modèle random forest a obtenu une AUC de 0,780, une précision de 0,793 et un score de Brier de 0,18. L'analyse SHAP a identifié l'initiative d'apprentissage et le type de tuteur comme les prédicteurs les plus importants. Les auteurs soulignent la nécessité d'une validation externe avant toute utilisation clinique.
Le modèle random forest a atteint une AUC de 0,780 pour prédire la comorbidité TDAH chez les enfants avec TD. Sept caractéristiques cliniques clés ont été identifiées via Lasso et retenues pour le modèle. L'initiative d'apprentissage et le type de tuteur étaient les prédicteurs les plus importants selon SHAP. L'étude est rétrospective, monocentrique et sans validation externe. Les performances du modèle sont modestes mais prometteuses pour un futur dépistage.
Ce modèle pourrait aider les cliniciens à identifier les enfants avec TD nécessitant une évaluation approfondie du TDAH. Les caractéristiques utilisées sont facilement accessibles en pratique clinique, facilitant une éventuelle intégration. Avant utilisation, une validation externe sur des populations diverses est indispensable.
Modéré