Het bos zien tussen de bomen: gebruik van machine learning en online cognitieve en perceptuele metingen om autisme bij volwassenen te voorspellen

Waarom het opsporen van autisme bij volwassenen zo moeilijk is

Veel autistische volwassenen wachten jaren, soms zelfs decennia, voordat ze een diagnose krijgen, deels omdat de middelen die worden gebruikt om autisme bij volwassenen te detecteren vrij grove instrumenten zijn. Korte vragenlijsten en interviews kunnen mensen missen die geleerd hebben zich sociaal aan te passen, en ze zijn kwetsbaar voor vooringenomenheid en giswerk. Deze studie onderzoekt of een andere aanpak — objectieve online tests van denken en waarneming gecombineerd met moderne machine learning — beter kan aangeven wie waarschijnlijk autistisch is en dit op een manier kan doen die op schaal via internet geleverd kan worden.

Van simpele quizzen naar rijke digitale voetafdrukken

Traditionele screening op autisme bij volwassenen steunt sterk op zelfrapportageformulieren die vragen naar gewoonten, voorkeuren en sociale ervaringen. Die kunnen nuttig zijn, maar ze hangen ook af van iemands inzicht in eigen gedrag en van culturele verwachtingen. De auteurs van dit artikel kozen een andere route. Ze hergebruikten gegevens uit eerdere online experimenten waarin honderden autistische en niet‑autistische Nederlandse volwassenen een reeks computertaken voltooiden. Deze taken richtten zich op drie domeinen die vaak verschillen bij autisme: hoe mensen zintuiglijke informatie combineren, hoe ze emoties herkennen aan gezichten en stemmen, en hoe ze plannen, schakelen en remmen — een samenstel dat bekendstaat als executieve functies.

Meten hoe mensen zien, voelen en denken

In deze studies zagen en hoorden deelnemers korte fragmenten, identificeerden ze emoties op foto’s van gezichten of aan de intonatie van stemmen, en voerden ze klassieke reactietijdspelletjes uit die snelle reacties of bewuste terughoudendheid vereisen. In plaats van alleen te kijken of antwoorden goed of fout waren, haalden de onderzoekers 54 gedetailleerde maten uit hoe elke persoon presteerde. Deze maten omvatten hoe snel men reageerde, hoe de nauwkeurigheid in de tijd veranderde, welke typen fouten werden gemaakt en hoe consistent men presteerde over de trials. Leeftijd en geslacht werden ook meegenomen om hun bekende invloed op deze vaardigheden eerlijk te corrigeren.

De patronen laten vinden door machine learning

Om dit hoogdimensionale gegevensmateriaal te begrijpen gebruikte het team een veelgebruikte machine learning‑methode genaamd random forest, die veel beslisbomen bouwt en hun stemmen combineert. Ze trainden het model om autistische van niet‑autistische volwassenen te onderscheiden en testten vervolgens hoe goed het nieuwe, nog niet eerder geziene individuen kon classificeren. Zelfs wanneer de groepen zorgvuldig werden gematcht op leeftijd en geslacht — wat de taak moeilijker maakt — identificeerde het model, met alleen de prestatie‑gebaseerde maten, autisme in ongeveer drie van de vier gevallen correct. Toen de onderzoekers daarna één extra ingrediënt toevoegden — de totaalscore van een veelgebruikte autismvragenlijst — steeg de nauwkeurigheid van het gecombineerde model naar ongeveer 92 procent, met zowel weinig gemiste autistische personen als weinig valse positieven.

Verborgen aanwijzingen in hoe taken worden uitgevoerd

Opmerkelijk is dat het succes van het model niet uitsluitend berustte op de meest voor de hand liggende groepsverschillen. Reactietijden, vooral bij emotieherkenningstaken, waren sterke bijdragers, wat aansluit bij eerder werk dat laat zien dat autistische volwassenen emoties vaak nauwkeurig maar langzamer herkennen. Maar het algoritme vond ook waarde in maten die op zichzelf, wanneer gemiddeld op de gebruikelijke manier, niet significant verschilden tussen groepen. Dit omvatte bepaalde soorten fouten in remming en werkgeheugentaken en subtiele fluctuaties in prestatie over de tijd. Met andere woorden: autismegerelateerde verschillen kwamen naar voren uit een constellatie van onderling samenhangende kenmerken in plaats van uit één enkel spectaculair tekort, wat benadrukt dat de „melodie” van gedrag belangrijker is dan één „noot”.

Op weg naar snellere, eerlijkere ondersteuning voor volwassenen

Voor leken is de kernboodschap dat korte, objectieve online taken — gecombineerd op een slimme manier met bestaande vragenlijsten — een veel scherper beeld kunnen geven van wie waarschijnlijk autistisch is dan alleen vragenlijsten. De studie toont aan dat machine learning betrouwbare patronen kan blootleggen in hoe volwassenen zien, voelen en denken, zelfs wanneer traditionele statistiek slechts kleine verschillen ziet. Hoewel zulke hulpmiddelen een volledige klinische beoordeling niet kunnen en niet zouden moeten vervangen, kunnen ze helpen volwassenen te prioriteren voor tijdige evaluaties, de afhankelijkheid van bevooroordeelde zelfrapportage verminderen en clinici een rijker profiel van cognitieve sterktes en uitdagingen bieden. Met verdere verfijning en testen in meer diverse groepen kan dit soort toegankelijke, internetgebaseerde screening een belangrijk hulpmiddel worden om lange wachtlijsten te verkorten en passende ondersteuning voor autistische volwassenen eerder beschikbaar te maken.

Bronvermelding: 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

Trefwoorden: diagnose autisme bij volwassenen, machine learning, online cognitieve tests, emotieherkenning, executieve functies