利用调查数据对共病自闭症与多动症的个体诊断进行鉴别分类的挑战
机器学习
2024-11-19 v1
摘要
自闭症和注意缺陷多动障碍（ADHD）是儿童期最常见的两种神经发育障碍。提供具体的计算评估以区分这两者可能既困难又耗时。鉴于其共病的高发病率，迫切需要可扩展且易获取的方法，以将自闭症与ADHD的共病与个体诊断区分开来。第一步是确定一组核心特征，作为行为特征提取的基础。我们利用国家儿童健康调查的数据训练机器学习模型，以识别作为自动化临床决策支持系统特征的目标行为。在区分发育迟缓（自闭症或ADHD）与非发育迟缓的二分类任务上训练的模型达到了>92%的敏感性和>94%的特异性；而在自闭症与ADHD与两者兼有与均无的四分类任务上训练的模型则表现出>65%的敏感性和>66%的特异性。尽管二分类模型的性能尚可，但在自闭症与ADHD的鉴别分类中相对较低的性能，凸显了在发育迟缓临床决策支持工具中实现特异性的持续挑战。尽管如此，本研究展示了将传统上不用于临床目的的行为问卷应用于支持儿科发育迟缓数字筛查评估的潜力。
引用
@article{arxiv.2411.10479,
title = {Challenges in the Differential Classification of Individual Diagnoses from Co-Occurring Autism and ADHD Using Survey Data},
author = {Aditi Jaiswal and Dennis P. Wall and Peter Washington},
journal= {arXiv preprint arXiv:2411.10479},
year = {2024}
}