Effacer
neurodeveloppementAnglaisMixteAPI

435. A Novel Executive Working Memory Training Intervention Changes the Brain’s Excitation/Inhibition Balance in ADHD

Résumé IA

Contexte : Le trouble du déficit de l'attention avec hyperactivité (TDAH) est associé à un déséquilibre entre l'excitation et l'inhibition cérébrale, affectant la fonction exécutive et la mémoire de travail. Les interventions actuelles restent limitées dans leur capacité à modifier ces mécanismes neurobiologiques. Objectif : Développer et évaluer une nouvelle intervention de formation de la mémoire de travail exécutive, visant à corriger ce déséquilibre neurobiologique chez les patients atteints de TDAH. Méthode : Bien que l'abstract ne soit pas disponible, le titre suggère une étude basée sur une intervention expérimentale, probablement randomisée, combinant entraînement cognitif et mesures neuroimagerie (comme l'IRMf) pour évaluer les changements cérébraux. Résultats : Selon le titre, l'intervention a modifié le rapport excitation/inhibition dans des régions cérébrales clés, ce qui pourrait améliorer les fonctions exécutives et la régulation comportementale. Intérêt clinique : Cette approche ouvre la voie à des thérapies non pharmacologiques ciblant les mécanismes neurobiologiques sous-jacents du TDAH, avec un potentiel d'application en médecine de rééducation et en psychologie clinique. Limites : L'absence d'abstract limite la compréhension des méthodologies précises, des groupes d'étude et des résultats quantitatifs. La publication datée de 2026 (probablement une erreur de saisie) soulève également des questions sur la pertinence temporelle des données.

Points clés

TDAH excitation/inhibition mémoire de travail exécutive intervention non pharmacologique neuroimagerie

Implications cliniques

Nouvelle piste thérapeutique pour le TDAH Application en rééducation neurocognitive Réduction possible des médicaments stimulants

Limites

Absence d'abstract empêchant une analyse détaillée Date de publication anormalement future (2026)

Niveau de preuve

Preprint

neurodeveloppementAnglaisMixteAPI

Deep Learning-based Detection of Motor Biomarkers for Autism from Children's Video Recordings

Résumé IA

Contexte : Le trouble du spectre de l'autisme (TSA) est un trouble neurodéveloppemental diagnostiqué précocement, mais les méthodes actuelles reposent sur des observations subjectives et peu scalables. L'objectif de cette étude est de proposer un outil de dépistage objectif et fiable basé sur l'analyse des comportements moteurs extraits de vidéos d'enfants enregistrées à domicile. Objectif : Développer un modèle hybride d'apprentissage profond capable de détecter le TSA avec une précision élevée en analysant des biomarqueurs moteurs. Méthode : Les coordonnées articulaires ont été extraites via le modèle MediaPipe Pose. Des caractéristiques spatiales, temporelles, fréquentielles et de coordination ont été calculées, puis traitées par une architecture combinant CNN (pour les motifs spatiaux), BiLSTM (pour les dynamiques temporelles) et un mécanisme d'attention (pour identifier les segments critiques). Résultats : Le modèle atteint plus de 97 % de précision sur des jeux de données fermés et plus de 83 % sur des vidéos publiques (YouTube, TikTok), démontrant sa robustesse dans des conditions contrôlées et réelles. Intérêt clinique : Cet outil offre une solution objective, scalable et applicable en clinique, surmontant les limites des environnements artificiels et des données restreintes. Limites : Les résultats sur les vidéos publiques (83 %) sont moins élevés que sur les jeux de données fermés, ce qui suggère une possible sensibilité aux variations de qualité ou de contexte des enregistrements réels.

Points clés

dépistage du TSA apprentissage profond biomarqueurs moteurs videos à domicile modèle hybride CNN-BiLSTM

Implications cliniques

dépistage précoce objectif réduction de la subjectivité diagnostique outil applicable en milieu réel

Limites

performance moindre sur les vidéos publiques manque de précision sur des populations diversifiées non mentionnées

Niveau de preuve

Preprint