Encontrando a floresta nas árvores: Usando aprendizado de máquina e medidas cognitivas e perceptivas online para prever diagnóstico de autismo em adultos

Por que identificar autismo em adultos é tão difícil

Muitos adultos autistas aguardam anos, às vezes décadas, antes de receber um diagnóstico, em parte porque as ferramentas usadas para identificar o autismo em adultos são instrumentos pouco precisos. Questionários e entrevistas curtas podem deixar passar pessoas que aprenderam a "se misturar" socialmente, além de serem suscetíveis a vieses e suposições. Este estudo investiga se uma abordagem diferente — testes objetivos online de percepção e raciocínio combinados com aprendizado de máquina moderno — pode identificar melhor quem provavelmente é autista e fazê‑lo de forma que possa ser oferecida em larga escala pela internet.

De quizzes simples a pegadas digitais ricas

A triagem tradicional do autismo em adultos depende muito de formulários de autorrelato que perguntam sobre hábitos, preferências e experiências sociais. Esses instrumentos podem ser úteis, mas também dependem da percepção que a pessoa tem do próprio comportamento e de expectativas culturais. Os autores deste artigo seguiram outro caminho. Eles reutilizaram dados de experimentos online anteriores nos quais centenas de adultos neerlandeses autistas e não autistas completaram uma bateria de tarefas computacionais. Essas tarefas abordaram três áreas que frequentemente diferem no autismo: como as pessoas combinam estímulos visuais e sonoros, como reconhecem emoções a partir de rostos e vozes, e como planejam, alternam e inibem ações — um conjunto conhecido como função executiva.

Medindo como as pessoas veem, sentem e pensam

Ao longo desses estudos, os participantes assistiam e ouviam clipes curtos, identificavam emoções a partir de fotografias de rostos ou do tom de voz e realizavam clássicos jogos de tempo de reação que exigem respostas rápidas ou contenção deliberada. Em vez de focar apenas em respostas certas ou erradas, os pesquisadores extraíram 54 medidas detalhadas descrevendo como cada pessoa se saiu. Isso incluiu a rapidez das respostas, como a precisão mudou ao longo do tempo, que tipos de erros foram cometidos e quão consistente foi o desempenho entre ensaios. Idade e gênero também foram incluídos para considerar de forma justa sua influência conhecida sobre essas habilidades.

Deixando o aprendizado de máquina encontrar os padrões

Para interpretar esses dados de alta dimensionalidade, a equipe usou um método popular de aprendizado de máquina chamado random forest, que constrói muitas árvores de decisão e combina seus votos. Eles treinaram o modelo para distinguir adultos autistas de não autistas e então testaram o quão bem ele podia classificar novos indivíduos que não tinha visto antes. Mesmo quando os grupos foram cuidadosamente pareados por idade e gênero — o que torna a tarefa mais difícil — o modelo, usando apenas medidas baseadas no desempenho, identificou corretamente o autismo em cerca de três em cada quatro casos. Quando os pesquisadores adicionaram um ingrediente extra — a pontuação total de um questionário amplamente usado para autismo — a acurácia do modelo combinado saltou para cerca de 92%, com poucos casos autistas não detectados e poucas falsos positivos.

Sinais ocultos na forma como as tarefas são executadas

Curiosamente, o sucesso do modelo não se apoiou apenas nas diferenças de grupo mais óbvias. Tempos de reação, especialmente nas tarefas de reconhecimento emocional, foram contribuintes fortes, ecoando trabalhos anteriores que mostram que adultos autistas muitas vezes reconhecem emoções com precisão, mas mais lentamente. Mas o algoritmo também encontrou valor em medidas que, isoladamente, não diferiam significativamente entre os grupos quando avaliadas pela média convencional. Isso incluiu tipos particulares de erros em tarefas de inibição e memória de trabalho e flutuações sutis no desempenho ao longo do tempo. Em outras palavras, diferenças relacionadas ao autismo emergiram de uma constelação de características interagentes em vez de qualquer déficit dramático único, destacando que a "melodia" do comportamento importa mais do que uma única "nota".

Rumo a um apoio mais rápido e justo para adultos

Para o público geral, a mensagem principal é que tarefas online curtas e objetivas — combinadas de forma inteligente com questionários existentes — podem fornecer um retrato muito mais acurado de quem provavelmente é autista do que apenas os questionários. O estudo mostra que o aprendizado de máquina pode descobrir padrões confiáveis em como adultos veem, sentem e pensam, mesmo quando a estatística tradicional identifica apenas pequenas diferenças. Embora tais ferramentas não possam e não devam substituir uma avaliação clínica completa, elas podem ajudar a priorizar adultos para avaliações oportunas, reduzir a dependência de autorrelato enviesado e oferecer aos clínicos um perfil mais rico de pontos fortes e desafios cognitivos. Com refinamento adicional e testes em grupos mais diversos, esse tipo de triagem acessível baseada na internet pode se tornar um recurso importante para reduzir longas listas de espera e levar apoio adequado a adultos autistas mais cedo.

Citação: 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

Palavras-chave: diagnóstico de autismo em adultos, aprendizado de máquina, testes cognitivos online, reconhecimento de emoções, função executiva