在最近的一项开创性的研究中，科学家们开发了一种基于机器学习（ML）的模型，该模型能够以80%的准确率从最少的医疗和背景信息中预测
。这项研究由Shyam Sundar Rajagopalan博士、Yali Zhang硕士、Ashraf Yahia医生和Kristiina Tammimies博士领导的团队进行，他们利用了Simons Foundation Powering Autism Research for Knowledge（SPARK）数据库中的30660名参与者的数据。
研究的重要性在于早期识别ASD的可能性
这对于早期诊断和干预至关重要，可能会影响发展结果。研究团队的目标是开发并验证一个使用最少特征的机器学习模型，这些特征来自背景和医疗信息，以预测ASD，并评估预测器和ML模型的效用。
研究采用了来自SPARK数据库第8版（2022年6月6日发布）的数据，包括15330名ASD患者和15330名非ASD参与者。该模型在独立数据集上进行了验证，包括SPARK第10版（2023年7月21日发布）和Simons Simplex Collection（SSC），共有14790名参与者。
研究结果显示
使用eXtreme Gradient Boosting（XGBoost）算法的模型（称为AutMedAI）表现出色，其AUROC（接收者操作特征曲线下面积）得分为0.895，敏感性为0.805，特异性为0.829，阳性预测值为0.897。发展里程碑和饮食习惯是最重要的预测因素。在独立队列中的验证显示了良好的泛化能力，AUROC为0.790。
这项研究的关键点在于，它提出了一个问题：是否可以使用基于最少背景和医疗信息的机器学习模型准确预测ASD？这项对30660名参与者的诊断研究发现，使用仅有28个特征的ML预测ASD具有高预测准确性、敏感性和特异性。独立队列的验证显示了良好的泛化能力，发展里程碑和饮食习惯作为重要的预测因素。
这项研究的意义在于
开发的模型显示出早期识别具有ASD高风险个体的潜力，使用的是最少的信息，这可能会影响早期诊断和干预策略。研究结果发表在《JAMA Network Open》上，为ASD的早期诊断和治疗提供了新的希望。
这项研究的成功不仅为自闭症儿童及其家庭带来了希望，也为整个医学界提供了宝贵的经验和启示。随着技术的不断进步和数据的积累，预计AI在医疗领域的应用将越来越广泛，为全球数百万家庭带来福音。
参考文献：
Rajagopalan SS, Zhang Y, Yahia A, Tammimies K. Machine Learning Prediction of Autism Spectrum Disorder From a Minimal Set of Medical and Background Information. JAMA Netw Open. 2024;7(8):e2429229. doi:10.1001/jamanetworkopen.2024.29229
微信客服
微信公众号
