Approches d'apprentissage automatique pour identifier les troubles neurodéveloppementaux à l'aide des données des réseaux sociaux : une revue systématiqueMachine learning approaches to identifying neurodevelopmental disorders using social media data: a systematic review.
- Les modèles d'apprentissage automatique analysant les données des réseaux sociaux atteignent des performances modérées à élevées pour détecter les TSA et le TDAH (F1-score de 0,48 à 0,89).
- Les données vidéo se sont révélées particulièrement prometteuses pour identifier les marqueurs comportementaux non verbaux.
- La plupart des études se concentrent sur le TSA et le TDAH, avec peu de recherches sur d'autres troubles neurodéveloppementaux.
Revue systématique récente sur l'utilisation des données des réseaux sociaux pour le dépistage des troubles neurodéveloppementaux, avec un accent principal sur le TSA et le TDAH. Pertinence modérée à élevée pour la veille clinique.
Hétérogénéité méthodologique entre les études, rendant les comparaisons difficiles. Échantillons de petite taille et potentiels biais de sélection. Préoccupations éthiques concernant la confidentialité des données et la validité des données issues des réseaux sociaux.
Cette revue systématique examine 19 études utilisant l'intelligence artificielle et l'apprentissage automatique pour analyser les données des réseaux sociaux (Reddit, Twitter, YouTube, Facebook) afin de détecter les troubles neurodéveloppementaux, principalement le trouble du spectre autistique (TSA) et le trouble déficitaire de l'attention avec hyperactivité (TDAH). Les modèles ont atteint des performances modérées à élevées (F1-score de 0,48 à 0,89), les modèles vidéo se montrant particulièrement prometteurs pour les marqueurs comportementaux non verbaux. Cependant, des limites méthodologiques, de petits échantillons et des préoccupations éthiques subsistent. Les auteurs concluent que ces outils pourraient compléter le diagnostic traditionnel, mais des recherches supplémentaires sont nécessaires.
Les modèles d'apprentissage automatique analysant les données des réseaux sociaux atteignent des performances modérées à élevées pour détecter les TSA et le TDAH (F1-score de 0,48 à 0,89). Les données vidéo se sont révélées particulièrement prometteuses pour identifier les marqueurs comportementaux non verbaux. La plupart des études se concentrent sur le TSA et le TDAH, avec peu de recherches sur d'autres troubles neurodéveloppementaux. L'hétérogénéité méthodologique, la petite taille des échantillons et les défis éthiques constituent des limites importantes.
Ces outils pourraient compléter les méthodes diagnostiques traditionnelles en offrant un dépistage non invasif et à grande échelle. Ils pourraient faciliter un repérage précoce des troubles neurodéveloppementaux via l'analyse des contenus en ligne.
Revue