Odnaleźć las wśród drzew: Wykorzystanie uczenia maszynowego oraz internetowych pomiarów poznawczych i percepcyjnych do przewidywania rozpoznania autyzmu u dorosłych

Dlaczego wykrycie autyzmu u dorosłych jest tak trudne

Wielu dorosłych z autyzmem czeka latami, a nawet dekadami, zanim otrzyma diagnozę, częściowo dlatego, że narzędzia służące do identyfikacji autyzmu u dorosłych są nieprecyzyjne. Krótkie kwestionariusze i wywiady mogą nie wychwycić osób, które nauczyły się „wtapiać” społecznie, a ponadto są podatne na uprzedzenia i domysły. W tym badaniu postawiono pytanie, czy inne podejście — obiektywne, internetowe testy myślenia i percepcji w połączeniu z nowoczesnym uczeniem maszynowym — może lepiej wskazywać, kto prawdopodobnie ma autyzm, i zrobić to w sposób skalowalny przez internet.

Od prostych quizów do bogatych cyfrowych śladów

Tradycyjne przesiewowe badania autyzmu u dorosłych opierają się w dużej mierze na formularzach samoopisowych pytających o nawyki, preferencje i doświadczenia społeczne. Mogą one być przydatne, ale zależą od samoświadomości danej osoby i oczekiwań kulturowych. Autorzy artykułu wybrali inną drogę. Wykorzystali dane z wcześniejszych internetowych eksperymentów, w których setki dorosłych Holendrów z autyzmem i bez niego wykonywały zestaw zadań komputerowych. Zadania te dotyczyły trzech obszarów często różniących się w autyzmie: łączenia bodźców wzrokowych i dźwiękowych, rozpoznawania emocji na twarzach i w głosie oraz planowania, przełączania i hamowania działań — zestawu znanego jako funkcje wykonawcze.

Pomiary tego, jak ludzie widzą, czują i myślą

W tych badaniach uczestnicy oglądali i słuchali krótkich klipów, rozpoznawali emocje na fotografiach twarzy lub po tonie głosu oraz wykonywali klasyczne gry reakcyjne wymagające szybkich odpowiedzi lub świadomej powściągliwości. Zamiast skupiać się jedynie na poprawności odpowiedzi, badacze wyekstrahowali 54 szczegółowe miary opisujące przebieg wykonania każdego uczestnika. Obejmowały one tempo reakcji, zmiany dokładności w czasie, typy popełnianych błędów oraz spójność wykonania między seriami prób. Uwzględniono także wiek i płeć, aby uczciwie uwzględnić ich znany wpływ na te zdolności.

Pozwolić uczeniu maszynowemu znaleźć wzorce

Aby zrozumieć te dane o wysokiej wymiarowości, zespół zastosował popularną metodę uczenia maszynowego zwaną lasem losowym (random forest), która buduje wiele drzew decyzyjnych i łączy ich głosy. Model uczono rozróżniać dorosłych z autyzmem i bez autyzmu, a następnie testowano, jak dobrze potrafi klasyfikować nowe, niewidziane wcześniej osoby. Nawet gdy grupy były starannie dopasowane pod względem wieku i płci — co utrudniało zadanie — model wykorzystujący jedynie miary oparte na wydajności prawidłowo identyfikował autyzm w około trzech na cztery przypadki. Gdy badacze dodali jeszcze jeden składnik — całkowity wynik z szeroko stosowanego kwestionariusza autyzmu — dokładność połączonego modelu wzrosła do około 92 procent, przy czym zarówno liczba przeoczonych osób z autyzmem, jak i liczba fałszywych alarmów była niska.

Ukryte wskazówki w sposobie wykonywania zadań

Co ciekawe, sukces modelu nie opierał się wyłącznie na najbardziej oczywistych różnicach między grupami. Czas reakcji, szczególnie w zadaniach rozpoznawania emocji, okazał się silnym wkładem, co potwierdza wcześniejsze badania pokazujące, że dorośli z autyzmem często rozpoznają emocje poprawnie, ale wolniej. Algorytm wykrył jednak także użyteczność miar, które same w sobie nie różniły się istotnie między grupami przy zwykłym uśrednianiu. Należały do nich szczególne rodzaje błędów w zadaniach związanych z hamowaniem i pamięcią roboczą oraz subtelne wahania wydajności w czasie. Innymi słowy, różnice związane z autyzmem wyłoniły się z konstelacji współdziałających cech, a nie z jednego dramatycznego deficytu, co podkreśla, że ważniejsza jest „melodia” zachowania niż pojedynczy „ton”.

W kierunku szybszego, bardziej sprawiedliwego wsparcia dla dorosłych

Dla czytelnika kluczowy wniosek jest taki, że krótkie, obiektywne zadania online — połączone inteligentnie z istniejącymi kwestionariuszami — mogą dać znacznie wyraźniejszy obraz tego, kto prawdopodobnie ma autyzm niż same kwestionariusze. Badanie pokazuje, że uczenie maszynowe potrafi odkryć wiarygodne wzorce w tym, jak dorośli widzą, czują i myślą, nawet gdy tradycyjna statystyka wychwytuje tylko niewielkie różnice. Choć takie narzędzia nie mogą i nie powinny zastępować pełnej oceny klinicznej, mogłyby pomóc priorytetyzować dorosłych do terminowych ocen, zmniejszyć zależność od obarczonego uprzedzeniami samoopisu i dostarczyć klinicystom bogatszy profil poznawczych mocnych stron i trudności. Przy dalszym dopracowaniu i testach w bardziej zróżnicowanych grupach tego typu dostępne przez internet przesiewy mogłyby stać się istotnym narzędziem skracającym długie listy oczekujących i przyspieszającym dostęp do odpowiedniego wsparcia dla dorosłych z autyzmem.

Cytowanie: 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

Słowa kluczowe: rozpoznanie autyzmu u dorosłych, uczenie maszynowe, internetowe testy poznawcze, rozpoznawanie emocji, funkcje wykonawcze