数字技术识别自闭症儿童的行为特征

当前亟需一种可大规模应用、客观可靠的工具来量化学龄前及学龄期儿童的自闭症相关行为。但自闭症表现差异大，常与注意缺陷多动障碍（ADHD）等其他疾病共存，这给评估带来挑战——理想的自闭症评估工具必须在包含ADHD等共病人群的样本中验证，而不能仅比较自闭症与普通儿童。本研究测试了数字表型分析工具SenseToKnow（一款结合计算机视觉、触觉传感与机器学习的手机应用程序）。研究共纳入183名40–100月龄（约3.3–8.3岁）儿童：41名普通发育儿童、48名单纯ADHD儿童、53名自闭症儿童、41名自闭症合并ADHD儿童。研究采用两种互补分析方法，结果一致：首先，在校正年龄因素后的组间比较中，所有自闭症儿童（无论是否共患ADHD）在SenseToKnow多项指标上均明显区别于普通儿童和单纯ADHD儿童；而自闭症儿童中，有无ADHD者之间并无差异；单纯ADHD儿童则主要在非社交刺激任务中与普通儿童略有不同。其次，在回归模型分析中，自闭症诊断状态与23项SenseToKnow指标中的21项显著相关，而ADHD诊断状态与全部23项均无显著关联。综合来看，SenseToKnow所提取的行为特征稳定反映的是自闭症本身，而非ADHD，即使两者同时存在也不受影响。这表明该工具能有效‘抓住’自闭症的核心行为特征，不受共病ADHD干扰，为临床早期、客观、便捷筛查提供了新可能。