En ny studie publicerad i JAMA Network Open har presenterat en banbrytande maskininlärningsmodell, AutMedAI, som lovar att revolutionera tidig diagnos av autism hos barn under två års ålder.
Med en imponerande noggrannhet på nästan 80 % kan denna modell förutsäga autism baserat på grundläggande beteende- och medicinsk information, som ofta samlas in vid rutinmässiga läkarbesök.
Detta gör den till ett potentiellt kraftfullt verktyg för att upptäcka autism på ett mycket tidigt stadium, något som är avgörande för att kunna sätta in effektiva insatser och stöd.
Modellen utvecklades av forskare vid Karolinska Institutet och tränades med hjälp av data från den stora SPARK-databasen, som innehåller över 30 000 barn. Genom att analysera 28 vanliga utvecklings- och beteendemilstolpar, som ålder vid första leendet och språkförmåga, kan AutMedAI identifiera barn med en högre risk för autism.
Det som gör denna modell särskilt intressant är att den bygger på information som redan samlas in vid vanliga barnläkarbesök, vilket gör det möjligt för läkare att snabbt flagga för barn som kan behöva ytterligare utvärdering. Det betyder inte att modellen ersätter den detaljerade kliniska bedömningen, men den kan fungera som ett tidigt varningssystem för att sätta in insatser innan utvecklingsavvikelser blir mer påtagliga.
Forskarna bakom AutMedAI understryker att modellen fortfarande behöver genomgå ytterligare validering innan den kan användas kliniskt. De undersöker även möjligheten att förbättra noggrannheten genom att inkludera genetisk information, vilket skulle kunna ge en ännu mer precis bild av ett barns autismrisk.
Tidiga insatser har visat sig vara avgörande för barn med autism, och forskarna betonar att dessa insatser kan förbättra utvecklingsresultaten, särskilt när det gäller sociala och kommunikativa färdigheter. AutMedAI ger hopp om att en tidig och effektiv diagnos kan göra stor skillnad för barn och deras familjer.
