在《美国医学会网络开放》杂志上的一项研究表明,对于住院孤独症青少年机器学习分析前期外周生理变化可以提前预测即将发生的攻击性行为。总体而言,32 人是语言障碍,30 人有智力障碍。研究参与者佩戴了一种商业上可用的生物传感器,记录了外周生理信号。从生物传感器数据中提取的时间序列特征进行了分析。
研究记录了 429 次自然观察编码会话,总计 497 小时,其中记录了 6665 次攻击性行为,包括自伤、情绪失调和对他人的攻击(分别为 59.8%、31.0% 和 9.3%)。在所有实验中,逻辑回归是总体表现最好的分类器(例如,在发作前三分钟预测攻击性行为;平均接受者操作特征曲线下面积为 0.80)。
这些发现可能为开发即时适应性干预移动健康系统奠定基础,这些系统可能为预先干预提供新的机会。通过研究减少攻击性行为的不可预测性,预计这项研究计划可能会使住院孤独症青少年能够更充分地参与他们的家庭、学校和社区。
关键要点
机器学习算法,分析可穿戴生物传感器的数据,在发作前几分钟可以提前预测孤独症青少年的攻击性行为,准确率高达 80%。这项研究聚焦于患有严重形式攻击性的住院青少年,包括自残、发脾气和身体攻击。作者建议这种技术可以导致“即时适应性干预”,这意味着可以在发作前采取预防措施。
潜在作用
1、改善孤独症青少年和周围人的安全。
2、提供更有效的针对性干预和支持。
3、增加患有攻击性行为的孤独症人士在社会中的参与度。
需要考虑事项
这项研究仅限于特定人群(住院严重攻击性青少年),可能并不适用于所有孤独症人士。存在有关隐私、数据安全和潜在的道德问题。
这种技术应与其他治疗方法结合使用,而不能仅用于预测或约束行为。总体而言,这项研究为改善患有攻击性行为的孤独症青少年的生活提供了有希望的潜力。但是,在全面实施之前,需要进行进一步的研究和仔细考虑道德影响。
参考资料:
https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2813185;
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5371911