Att hitta skogen bland träden: Att använda maskininlärning och online-kognitiva och perceptuella mått för att förutsäga autismdiagnos hos vuxna

Varför det är så svårt att upptäcka autism hos vuxna

Många autistiska vuxna väntar år, ibland decennier, innan de får en diagnos, delvis därför att verktygen som används för att identifiera autism hos vuxna är grova instrument. Korta frågeformulär och intervjuer kan missa personer som lärt sig att "smälta in" socialt, och de är sårbara för bias och gissningar. Denna studie undersöker om en annan metod — objektiva, nätbaserade tester av tänkande och perception kombinerade med modern maskininlärning — kan bättre flagga vilka som sannolikt är autistiska och göra det på ett sätt som kan levereras i stor skala över internet.

Från enkla quiz till rika digitala fotavtryck

Traditionell screening för autism hos vuxna lutar tungt mot självrapporteringsformulär som frågar om vanor, preferenser och sociala erfarenheter. Dessa kan vara hjälpsamma, men de förutsätter också en persons insikt i sitt eget beteende och kulturella förväntningar. Författarna till denna artikel valde en annan väg. De återanvände data från tidigare online-experiment där hundratals autistiska och icke-autistiska nederländska vuxna genomförde ett batteri datoruppgifter. Dessa uppgifter undersökte tre områden som ofta skiljer sig vid autism: hur människor kombinerar syn och ljud, hur de känner igen känslor från ansikten och röster, och hur de planerar, växlar och hämmar handlingar — ett kluster känt som exekutiv funktion.

Mätning av hur människor ser, känner och tänker

I dessa studier tittade och lyssnade deltagarna på korta klipp, identifierade känslor från fotografier av ansikten eller från röstton, och utförde klassiska reaktionstidsuppgifter som kräver snabba svar eller avsiktlig återhållsamhet. I stället för att endast fokusera på om svaren var rätt eller fel, extraherade forskarna 54 detaljerade mått som beskrev hur varje person presterade. Dessa inkluderade hur snabbt de reagerade, hur deras noggrannhet förändrades över tid, vilka typer av misstag de gjorde och hur konsekvent de presterade över upprepade försök. Ålder och kön inkluderades också för att rättvist ta hänsyn till deras kända påverkan på dessa förmågor.

Låta maskininlärning hitta mönstren

För att tolka dessa högdimensionella data använde teamet en populär maskininlärningsmetod kallad random forest, som bygger många beslutsträd och kombinerar deras röster. De tränade modellen att skilja autistiska från icke-autistiska vuxna och testade sedan hur väl den kunde klassificera nya individer den inte sett tidigare. Även när grupperna noggrant matchades för ålder och kön — vilket gjorde uppgiften svårare — identifierade modellen, med endast prestationsbaserade mått, autism korrekt i ungefär tre av fyra fall. När forskarna sedan lade till en extra ingrediens — totalsumman från ett mycket användt autismsformulär — steg den kombinerade modellens noggrannhet till cirka 92 procent, med både få missade autistiska individer och få falska larm.

Dolda ledtrådar i hur uppgifterna utförs

Intressant nog byggde modellens framgång inte enbart på de mest uppenbara gruppskillnaderna. Reaktionstider, särskilt i uppgifter för känsloigenkänning, var starka bidragsgivare, vilket ekar tidigare arbete som visar att autistiska vuxna ofta känner igen känslor korrekt men mer långsamt. Men algoritmen upptäckte också värde i mått som, ensamma, inte skilde sig signifikant mellan grupper när man medelvärdesberäknade på vanligt sätt. Dessa inkluderade särskilda typer av fel i hämningsoch arbetsminnesuppgifter och subtila fluktuationer i prestation över tid. Med andra ord framträdde autismrelaterade skillnader ur en konstellation av interagerande drag snarare än från någon enda dramatisk brist, vilket betonar att beteendets "melodi" betyder mer än någon enskild "ton".

Mot snabbare, rättvisare stöd för vuxna

För en lekmann kan huvudbudskapet sammanfattas så att korta, objektiva online-uppgifter — kombinerade intelligent med befintliga frågeformulär — kan ge en mycket skarpare bild av vem som sannolikt är autistisk än enbart frågeformulär. Studien visar att maskininlärning kan avslöja pålitliga mönster i hur vuxna ser, känner och tänker, även när traditionell statistik bara ser små skillnader. Medan sådana verktyg inte kan och inte bör ersätta en full klinisk utredning, kan de hjälpa till att prioritera vuxna för snabba bedömningar, minska beroendet av partisk självrapportering och ge kliniker en rikare profil av kognitiva styrkor och utmaningar. Med vidare förfining och testning i mer mångsidiga grupper skulle denna typ av tillgänglig, internetbaserad screening kunna bli ett viktigt verktyg för att krympa långa väntelistor och ge lämpligt stöd till autistiska vuxna snabbare.

Citering: 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

Nyckelord: autismdiagnos hos vuxna, maskininlärning, online-kognitiv testning, igenkänning av känslor, exekutiv funktion