Méthodes d'intelligence artificielle pour la détection précoce du trouble du spectre autistique : une revue systématique basée sur les critères du DSM-5Artificial Intelligence Methods in Early Detection of Autism Spectrum Disorder: A DSM-5 Criterion-Based Systematic Review.
- L'IA classique, l'apprentissage profond et les approches hybrides sont également représentés (environ un tiers chacun) dans les études de détection précoce du TSA.
- Les réseaux de neurones convolutifs et les machines à vecteurs de support dominent respectivement pour les données non structurées et structurées.
- 74% des études ciblent à la fois les critères A (déficits de communication sociale) et B (comportements restreints et répétitifs) du DSM-5.
Revue systématique récente (2026) avec méthodologie PRISMA, couvrant largement les méthodes d'IA pour la détection précoce du TSA, avec une analyse de l'alignement DSM-5. Très pertinent pour les cliniciens et chercheurs en autisme, malgré des limites méthodologiques notables. Score 85/100 : article clairement utile pour NeuroWatch.
Absence de recherche de citations en aval ou en amont, ce qui peut avoir exclu des études pertinentes. Biais géographique : les études proviennent principalement de contextes à revenus élevés, limitant la généralisabilité. 57% des études présentent un risque de biais peu clair dans la sélection des patients, et 43% dans le test index. Exclusion des études utilisant exclusivement des données neurobiologiques ou des populations adultes, ce qui réduit la portée de la revue. Les métriques de performance rapportées sont souvent basées sur des échantillons de validation internes, sans validation externe dans la plupart des cas.
Cette revue systématique évalue les méthodes d'intelligence artificielle (IA) pour la détection précoce du trouble du spectre autistique (TSA) chez les enfants, en examinant leur distribution, performance, alignement avec le DSM-5 et qualité méthodologique. Sur 1018 enregistrements, 43 études ont été incluses. Les approches d'apprentissage automatique classique (34%), d'apprentissage profond (34%) et hybrides (32%) étaient également répandues. La plupart des études (74%) ciblaient à la fois les critères A et B du DSM-5. L'alignement direct avec le DSM-5 était corrélé à une précision médiane d'environ 95% (intervalle global : 68,18%-100%). Les préoccupations méthodologiques incluaient une sélection des patients peu claire (57%) et un risque lié au test index (43%). L'IA montre un potentiel transformateur pour la détection précoce du TSA, mais des lacunes subsistent dans la couverture du critère B, un biais géographique et des incohérences méthodologiques.
L'IA classique, l'apprentissage profond et les approches hybrides sont également représentés (environ un tiers chacun) dans les études de détection précoce du TSA. Les réseaux de neurones convolutifs et les machines à vecteurs de support dominent respectivement pour les données non structurées et structurées. 74% des études ciblent à la fois les critères A (déficits de communication sociale) et B (comportements restreints et répétitifs) du DSM-5. La précision des modèles varie de 68,18% à 100%, avec une médiane d'environ 95% pour les études alignées sur le DSM-5. Des préoccupations méthodologiques importantes incluent un risque de biais dans la sélection des patients (57% peu clair) et le test index (43% peu clair).
Les cliniciens pourraient utiliser des outils d'IA comme aide objective pour la détection précoce du TSA, notamment pour les déficits de communication sociale. L'alignement des modèles d'IA sur les critères du DSM-5 améliore leur précision diagnostique, ce qui suggère que les futures applications cliniques devraient intégrer explicitement ces critères. Les lacunes dans la couverture du critère B (comportements restreints et répétitifs) limitent la validité écologique des modèles actuels, nécessitant le développement d'outils plus complets.
Revue