Прогнозирование траекторий адаптивного поведения при РАС | РАС-аналитика

Модели машинного обучения позволяют прогнозировать индивидуальные траектории развития адаптивного поведения у аутичных детей на основе ранних оценок. Исследование 1225 детей показало высокую точность прогнозирования шкал Винленда для поддержки персонализированного планирования интервенций.

Модели машинного обучения позволяют прогнозировать индивидуальные траектории развития адаптивного поведения у аутичных детей на основе ранних оценок. Исследование 1225 детей показало высокую точность прогнозирования шкал Винленда для поддержки персонализированного планирования интервенций.

Адаптивное поведение при РАС

Адаптивное поведение — способность человека справляться с требованиями окружающей среды — является критическим показателем функциональных возможностей при расстройстве аутистического спектра. В отличие от коэффициента интеллекта, адаптивное поведение часто показывает большую вариативность и может улучшаться с возрастом и при надлежащей поддержке.

Шкала адаптивного поведения Винленда является золотым стандартом для оценки адаптивных навыков в области самообслуживания, моторики, социализации и коммуникации. Однако прогнозирование долгосрочных траекторий по этим показателям остаётся сложной задачей.

Методология и данные исследования

Это исследование объединило данные из пяти лонгитюдных когортных исследований РАС, охватывая 1225 аутичных детей (средний возраст в начале: 4.2 года). Все участники имели повторные оценки адаптивного поведения (шкала Винленда) через 12, 24 и 36 месяцев.

Модели прогнозирования

Исследовательская группа разработала несколько моделей машинного обучения для прогнозирования траекторий:

1. Случайный лес (Random Forest). Использовался для выявления наиболее важных предикторов траектории развития. Продемонстрировал точность 74% в предсказании группы роста/стабильности/снижения.
2. Градиентный бустинг (XGBoost). Применялся для прогнозирования точных значений Винленда на 12 и 24 месяца. Достиг среднеквадратичной ошибки 8.3 балла.
3. Нейросети LSTM. Использовались для моделирования последовательности измерений и выявления нелинейных динамических паттернов. Показали лучшую производительность на долгосрочных прогнозах (36 месяцев).
4. Гибридные модели. Комбинирование градиентного бустинга и LSTM улучшило точность на 5–7% по сравнению с отдельными моделями.

Ключевые предикторы траекторий

Анализ важности признаков выявил факторы, наиболее предсказывающие траектории адаптивного поведения:

«Исходный уровень коммуникативных навыков и способность к обучению оказались наиболее сильными предикторами долгосрочной траектории адаптивного поведения. Дети, которые быстро улучшали речевые навыки на первый год, демонстрировали наилучшие результаты в адаптивном поведении в последующем.»

Идентификация подтипов траекторий

Кластерный анализ выявил четыре основных типа траекторий адаптивного поведения в когорте:

• Траектория быстрого роста (18% детей): Повышение адаптивных навыков в среднем на 4.2 балла в год. Прогноз положительный.
• Траектория умеренного роста (35% детей): Стабильное, но медленное повышение на 1.8 балла в год. Требуется интенсивная поддержка.
• Траектория плато (32% детей): Минимальные изменения адаптивного поведения за период наблюдения. Требуется переоценка интервенций.
• Траектория снижения (15% детей): Ухудшение адаптивных навыков, особенно в социальной сфере. Требуется срочное вмешательство.

Клинические приложения и результаты

Внедрение модели прогнозирования в трёх клинических центрах позволило улучшить исходы:

1. Повышение на 23% эффективности интервенций за счёт персонализации программ на основе прогнозируемой траектории.
2. Сокращение на 31% недополученных интервенций благодаря ранней идентификации групп риска.
3. Улучшение удовлетворённости семей на 19% благодаря более реалистичным и персонализированным целям.
4. Выявление 12 детей из группы «снижения», у которых на повторной оценке через 6 месяцев подтвердилось ухудшение адаптивных навыков, требующее экстренного вмешательства.

Ограничения и возможности улучшения

Несмотря на многообещающие результаты, модель имеет ограничения. Прогностическая точность варьируется в зависимости от возраста: лучшие результаты достигаются для детей в возрасте 4–8 лет. Для очень маленьких детей (до 2 лет) и подростков требуются отдельные модели.

Требуется дальнейшая валидация на разнообразных популяциях, особенно в регионах с ограниченными ресурсами здравоохранения. Необходимо включение данных о социокультурных факторах и характеристиках семьи для повышения релевантности прогнозов.