Modèles neurobiologiques et visuels du fonctionnement attentionnel et émotionnel chez les enfants : une approche d'apprentissage automatiqueNeurobiosensory and Visual Patterns of Attentional and Emotional Functioning in Children: A Machine Learning Approach.
- L'intégration simultanée de mesures oculomotrices, de reconnaissance des émotions et neuropsychologiques permet une caractérisation dynamique des interactions cognitivo-émotionnelles chez l'enfant.
- Un classifieur Random Forest a atteint une AUC-ROC de 0,95 pour distinguer les enfants avec faible performance attentionnelle des normatifs, validé par une validation croisée imbriquée.
- Les enfants avec faible attention montrent une réactivité émotionnelle accrue, une instabilité du regard et des saccades impulsives lors de tâches émotionnelles.
Article proposant une approche multimodale innovante avec machine learning pour le dépistage des difficultés attentionnelles chez l'enfant, avec une validation robuste, mais sans focus sur un trouble spécifique et nécessitant des réplications.
Étude transversale ne permettant pas d'inférer des liens de causalité. Échantillon de 260 enfants, taille modeste pour la généralisation des modèles de machine learning. Absence de comparaison avec des populations cliniques spécifiques (p. ex., TDAH, TSA). Les mesures oculomotrices et émotionnelles ont été obtenues dans un cadre expérimental ; la validité écologique en contexte réel reste à démontrer.
Cette étude a développé et évalué une approche de dépistage multimodal automatisé intégrant des mesures oculomotrices, de reconnaissance faciale des émotions et neuropsychologiques chez 260 enfants de 7 à 15 ans. Un classifieur Random Forest a distingué les enfants avec une performance attentionnelle faible des enfants normatifs avec une AUC-ROC de 0,95. Les enfants à faible performance attentionnelle présentaient une réactivité émotionnelle accrue, une instabilité du regard, des patterns d'exploration visuelle fragmentés et des mouvements saccadiques impulsifs. Les stimuli de colère et de peur avaient une valeur discriminante plus forte. Cette approche multimodale en temps réel pourrait soutenir le dépistage et les interventions personnalisées en contextes éducatif et clinique.
L'intégration simultanée de mesures oculomotrices, de reconnaissance des émotions et neuropsychologiques permet une caractérisation dynamique des interactions cognitivo-émotionnelles chez l'enfant. Un classifieur Random Forest a atteint une AUC-ROC de 0,95 pour distinguer les enfants avec faible performance attentionnelle des normatifs, validé par une validation croisée imbriquée. Les enfants avec faible attention montrent une réactivité émotionnelle accrue, une instabilité du regard et des saccades impulsives lors de tâches émotionnelles. Les stimuli de colère et de peur sont particulièrement discriminants, suggérant un rôle modulateur de l'émotion sur l'attention. L'approche multimodal en temps réel offre des indicateurs écologiques pour le dépistage et l'intervention en milieu scolaire et clinique.
Cette méthode automatisée pourrait faciliter un dépistage précoce des difficultés attentionnelles sans recourir à des évaluations longues et coûteuses. Les profils individuels obtenus peuvent guider des interventions personnalisées ciblant à la fois l'attention et la régulation émotionnelle. L'identification de marqueurs oculomoteurs et émotionnels spécifiques pourrait améliorer la prise en charge des enfants présentant des troubles attentionnels non diagnostiqués.
Modéré