Trouver la forêt parmi les arbres : utiliser l’apprentissage automatique et des mesures cognitives et perceptives en ligne pour prédire un diagnostic d’autisme chez l’adulte

Pourquoi il est si difficile de repérer l’autisme à l’âge adulte

De nombreux adultes autistes attendent des années, voire des décennies, avant d’obtenir un diagnostic, en partie parce que les outils utilisés pour identifier l’autisme chez les adultes sont des instruments grossiers. De courts questionnaires et des entretiens peuvent passer à côté de personnes qui ont appris à « se fondre dans la masse » socialement, et ils sont vulnérables aux biais et aux conjectures. Cette étude examine si une autre approche — des tests objectifs en ligne de la cognition et de la perception combinés à l’apprentissage automatique moderne — peut mieux repérer les personnes susceptibles d’être autistes et le faire d’une manière susceptible d’être déployée à grande échelle sur Internet.

Des quiz simples aux empreintes numériques riches

Le dépistage traditionnel de l’autisme chez l’adulte repose largement sur des formulaires d’auto‑évaluation qui interrogent sur les habitudes, les préférences et les expériences sociales. Ceux‑ci peuvent être utiles, mais ils dépendent aussi de la connaissance qu’a la personne de son propre comportement et des attentes culturelles. Les auteurs de cet article ont choisi une autre voie. Ils ont réutilisé des données d’expériences en ligne antérieures dans lesquelles des centaines d’adultes néerlandais autistes et non autistes ont réalisé une batterie de tâches informatisées. Ces tâches exploraient trois domaines souvent différents chez l’autisme : la manière dont les gens combinent images et sons, la reconnaissance des émotions à partir de visages et de voix, et la planification, la flexibilité et l’inhibition des actions — un ensemble connu sous le nom de fonctions exécutives.

Mesurer comment les gens voient, ressentent et pensent

Dans ces études, les participants ont regardé et écouté de courts extraits, identifié des émotions à partir de photographies de visages ou du ton de la voix, et réalisé des jeux classiques de temps de réaction exigeant des réponses rapides ou un contrôle délibéré. Plutôt que de se focaliser uniquement sur la justesse des réponses, les chercheurs ont extrait 54 mesures détaillées décrivant la performance de chaque personne. Celles‑ci incluaient la rapidité des réponses, l’évolution de la précision au fil du temps, les types d’erreurs commises et la constance des performances d’un essai à l’autre. L’âge et le sexe ont également été pris en compte pour rendre justice à leur influence connue sur ces capacités.

Laisser l’apprentissage automatique trouver les motifs

Pour interpréter ces données de haute dimension, l’équipe a utilisé une méthode d’apprentissage automatique répandue appelée forêt aléatoire, qui construit de nombreux arbres de décision puis combine leurs votes. Ils ont entraîné le modèle à distinguer les adultes autistes des non autistes, puis testé sa capacité à classer de nouveaux individus qu’il n’avait pas vus auparavant. Même lorsque les groupes étaient soigneusement appariés par âge et par sexe — rendant la tâche plus difficile — le modèle, utilisant uniquement les mesures basées sur la performance, identifiait correctement l’autisme dans environ trois cas sur quatre. Lorsque les chercheurs ont ensuite ajouté un ingrédient supplémentaire — le score total d’un questionnaire d’autisme largement utilisé — la précision du modèle combiné est montée à environ 92 %, avec à la fois peu d’autistes manqués et peu de fausses alertes.

Indices cachés dans la manière d’exécuter les tâches

Fait intéressant, le succès du modèle ne reposait pas uniquement sur les différences de groupe les plus évidentes. Les temps de réaction, en particulier dans les tâches de reconnaissance des émotions, ont été des contributeurs importants, faisant écho à des travaux antérieurs montrant que les adultes autistes reconnaissent souvent les émotions avec précision mais plus lentement. Mais l’algorithme a aussi trouvé de l’information dans des mesures qui, isolément, ne différaient pas significativement entre les groupes quand on les moyennait de façon habituelle. Celles‑ci incluaient des types particuliers d’erreurs dans les tâches d’inhibition et de mémoire de travail et de subtiles fluctuations de performance dans le temps. Autrement dit, les différences liées à l’autisme émergeaient d’une constellation de caractéristiques interagissantes plutôt que d’un seul déficit spectaculaire, soulignant que la « mélodie » du comportement importe plus qu’une « note » isolée.

Vers un soutien plus rapide et plus équitable pour les adultes

Pour le grand public, le message clé est que de courtes tâches objectives en ligne — combinées intelligemment avec des questionnaires existants — peuvent fournir une image bien plus précise de qui est susceptible d’être autiste que les seuls questionnaires. L’étude montre que l’apprentissage automatique peut révéler des motifs fiables dans la manière dont les adultes voient, ressentent et pensent, même lorsque les statistiques traditionnelles n’identifient que de faibles différences. Bien que de tels outils ne puissent et ne doivent pas remplacer une évaluation clinique complète, ils pourraient aider à prioriser les adultes pour des évaluations rapides, réduire la dépendance à l’auto‑évaluation biaisée et fournir aux cliniciens un profil cognitif plus riche des forces et des difficultés. Avec des améliorations et des tests supplémentaires sur des groupes plus divers, ce type de dépistage accessible via Internet pourrait devenir un outil important pour réduire les listes d’attente et offrir plus tôt un soutien approprié aux adultes autistes.

Citation: Van der Burg, E., Jertberg, R.M., Geurts, H.M. et al. Finding the forest in the trees: Using machine learning and online cognitive and perceptual measures to predict adult autism diagnosis. Transl Psychiatry 16, 129 (2026). https://doi.org/10.1038/s41398-026-03823-y

Mots-clés: diagnostic d’autisme chez l’adulte, apprentissage automatique, tests cognitifs en ligne, reconnaissance des émotions, fonctions exécutives