Ağaçlardaki ormanı bulmak: Yetişkin otizm tanısını öngörmek için makine öğrenimi ve çevrimiçi bilişsel ve algısal ölçümler kullanmak

Neden yetişkin otizmini fark etmek bu kadar zor

Birçok otistik yetişkin tanı almak için yıllar, hatta on yıllar bekler; bunun bir kısmı, yetişkinlerde otizmi tespit etmek için kullanılan araçların kaba olmasıyla açıklanır. Kısa anketler ve görüşmeler, sosyal olarak "uyum sağlamayı" öğrenmiş kişileri atlayabilir ve önyargıya ve tahmine açık olabilir. Bu çalışma, düşünme ve algı üzerine nesnel, çevrimiçi testlerin modern makine öğrenimiyle birleştirilmesinin kimlerin otistik olma olasılığı yüksek olduğunu daha iyi tespit edip edemeyeceğini ve bunun internet üzerinden ölçeklendirilebilir biçimde sunulup sunulamayacağını araştırıyor.

Basit sınavlardan zengin dijital ayak izlerine

Yetişkinlerde geleneksel otizm taraması, alışkanlıklar, tercihler ve sosyal deneyimler hakkında sorular soran öz‑bildirim formlarına büyük ölçüde dayanır. Bunlar yardımcı olabilir, ancak aynı zamanda kişinin kendi davranışına dair içgörüsüne ve kültürel beklentilere bağlıdır. Bu makalenin yazarları başka bir yol izledi. Yüzlerce otistik ve otistik olmayan Hollandalı yetişkinin bir dizi bilgisayar görevini tamamladığı önceki çevrimiçi deneylerden elde edilmiş verileri yeniden kullandılar. Bu görevler genellikle otizmde farklılık gösteren üç alanı ele alıyordu: insanların görsel ve işitsel bilgileri nasıl birleştirdiği, yüzlerden ve ses tonlarından duyguları nasıl tanıdığı ve planlama, geçiş yapma ve eylemleri engelleme—yani yürütücü işlev olarak bilinen beceriler.

İnsanların nasıl gördüğünü, hissettiğini ve düşündüğünü ölçmek

Bu çalışmalarda katılımcılar kısa klipler izledi ve dinledi, yüz fotoğraflarından veya ses tonlarından duyguları belirledi ve hızlı tepkiler veya kasıtlı tutum gerektiren klasik reaksiyon‑zaman oyunları oynadı. Araştırmacılar yalnızca cevapların doğru ya da yanlış oluşuna odaklanmak yerine, her kişinin performansını tanımlayan 54 ayrıntılı ölçüm çıkardılar. Bunlar arasında yanıt hızları, doğruluklarının zaman içinde nasıl değiştiği, yaptıkları hata türleri ve denemeler arasındaki tutarlılık gibi öğeler vardı. Bu yetenekler üzerinde bilinen etkileri adil biçimde hesaba katmak için yaş ve cinsiyet de dahil edildi.

Makine öğreniminin desenleri bulmasına izin vermek

Bu yüksek boyutlu veriyi anlamlandırmak için ekip, birçok karar ağacı inşa eden ve oylarını birleştiren popüler bir makine öğrenimi yöntemi olan rastgele ormanı kullandı. Model, otistik ile otistik olmayan yetişkinleri ayırt edecek şekilde eğitildi ve sonra daha önce görmediği yeni bireyleri ne kadar iyi sınıflandırabildiği test edildi. Gruplar yaş ve cinsiyete göre dikkatle eşlendiğinde—bu görevi zorlaştıran bir durum—model, yalnızca performansa dayalı ölçümleri kullanarak yaklaşık dört vakadan üçünde otizmi doğru tanıdı. Araştırmacılar daha sonra yaygın olarak kullanılan bir otizm anketinin toplam puanını ekleyince, birleşik modelin doğruluğu yaklaşık yüzde 92’ye yükseldi; hem kaçırılan otistik bireylerin sayısı azaldı hem de yanlış alarmlar azaldı.

Görevlerin yerine getirilme biçiminde gizli ipuçları

İlginç olan, modelin başarısının yalnızca en bariz grup farklılıklarına dayanmadığıydı. Özellikle duygu tanıma görevlerindeki reaksiyon süreleri güçlü katkı sağlayıcılar arasındaydı; bu, otistik yetişkinlerin duyguları genellikle doğru tanıdığı ama daha yavaş olduğu yönündeki önceki çalışmalarla örtüşüyor. Ancak algoritma, tek başına ortalama alındığında gruplar arasında anlamlı farklılık göstermeyen ölçümlerde de değer buldu. Bunlar arasında inhibisyon ve çalışma belleği görevlerindeki belirli hata türleri ve performanstaki ince dalgalanmalar vardı. Başka bir deyişle, otizmle ilişkili farklılıklar tek bir dramatik eksiklikten ziyade etkileşen özellikler kümesinden ortaya çıktı; davranışın “melodisi” tek bir “nota”dan daha çok önem taşıyor.

Yetişkinler için daha hızlı, daha adil destek yönünde

Bir uzman olmayan için ana mesaj şu: kısa, nesnel çevrimiçi görevler—mevcut anketlerle akıllıca birleştirildiğinde—sadece anketlere göre kimin otistik olma olasılığının daha yüksek olduğuna dair çok daha keskin bir görüntü sağlayabilir. Çalışma, makine öğreniminin yetişkinlerin nasıl gördüğünü, hissettiğini ve düşündüğünü gösteren güvenilir desenleri ortaya çıkarabileceğini gösteriyor; geleneksel istatistikler yalnızca küçük farklılıklar görse bile. Bu tür araçların tam bir klinik değerlendirmeyi yerine geçemeyeceği ve geçmemesi gerektiği doğru olsa da, zamanında değerlendirmeler için yetişkinlere öncelik vermeye, önyargılı öz‑bildirime olan bağımlılığı azaltmaya ve klinisyenlere bilişsel güçlü yönler ve zorluklar hakkında daha zengin bir profil sunmaya yardımcı olabilirler. Daha çeşitli gruplarda daha fazla iyileştirme ve test ile internet üzerinden erişilebilir bu tür bir tarama, uzun bekleme listelerini kısaltmada ve uygun desteği otistik yetişkinlere daha erken ulaştırmada önemli bir yardımcı haline gelebilir.

Atıf: 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

Anahtar kelimeler: yetişkin otizm tanısı, makine öğrenimi, çevrimiçi biliş testi, duygu tanıma, yürütücü işlev