Machine Learning forudsiger aggressiv adfærd hos unge med autisme

I en banebrydende undersøgelse offentliggjort online i JAMA Network Open, har forskere udnyttet kraften i maskinlæring til effektivt at forudsige forestående aggressiv adfærd hos indlagte unge med autisme. Ledet af Dr. Tales Imbiriba fra Northeastern University i Boston markerer denne forskning et betydeligt fremskridt i forståelsen og håndteringen af ​​udfordrende adfærd forbundet med autisme.

Undersøgelsen, der blev gennemført fra marts 2019 til marts 2020, fokuserede på 70 psykiatriske indlagte patienter med bekræftede autismediagnoser. Disse personer udviste selvskadende adfærd, følelsesmæssig dysregulering eller aggression over for andre, hvor 32 af dem var minimalt verbale og 30 havde intellektuelle handicap.

Udstyret med kommercielt tilgængelige biosensorer blev deltagernes perifere fysiologiske signaler registreret. Forskerholdet analyserede omhyggeligt tidsseriefunktioner udtrukket fra biosensordataene for at identificere mønstre, der går forud for aggressive hændelser.

Observationssessioner afslører kritiske indsigter

Forskere gennemførte 429 observationskodningssessioner i løbet af undersøgelsesperioden, i alt svimlende 497 timer. Inden for disse sessioner blev 6,665 aggressiv adfærd dokumenteret og kategoriseret i selvskade (59.8 %), følelsesmæssig dysregulering (31.0 %) og aggression over for andre (9.3 %).

Undersøgelsens mest betydningsfulde konstatering ligger i effektiviteten af ​​logistisk regression som en klassificering til at forudsige aggressiv adfærd. Denne metode demonstrerede bemærkelsesværdig nøjagtighed med et gennemsnitligt areal under modtagerens funktionskarakteristiske kurve på 0.80, især ved at forudsige aggressiv adfærd tre minutter før dens begyndelse.

Implikationerne af denne forskning er dybe. Forfatterne foreslår, at disse resultater kan bane vejen for udvikling af mobile sundhedssystemer, der giver just-in-time adaptive interventioner. Denne teknologi, som kan revolutionere feltet, giver nye muligheder for forebyggende indgreb. Ved at fokusere på at reducere uforudsigeligheden af ​​aggressiv adfærd hos autistiske unge, har det potentialet til betydeligt at forbedre deres livskvalitet.

Forvandling af liv for indlagte unge med autisme

Denne gennembrudsundersøgelse repræsenterer et lovende fremskridt inden for autismeforskning og interventionsstrategier. Det giver håb om forbedret pleje og støtte til autistiske personer, der udviser udfordrende adfærd. Forbedring af forudsigeligheden og håndteringen af ​​denne adfærd giver indlagte unge mulighed for at engagere sig mere fuldt ud i deres hjem, skoler og lokalsamfund.

Undersøgelsens succes understreger potentialet ved maskinlæring i at revolutionere, hvordan vi forstår og plejer personer med autisme. Denne innovative tilgang til at forudsige aggressiv adfærd tilbyder en ny dimension af støtte, som tidligere var uopnåelig. De næste trin vil involvere yderligere forfining og praktisk anvendelse af disse prædiktive modeller.

Fremtidsudsigter for autismepleje

Efterhånden som disse prædiktive modeller udvikles og raffineres, lover fremtiden for autismepleje. Mobile sundhedssystemer, der inkorporerer maskinlæring, kan blive uvurderlige værktøjer for forældre, omsorgspersoner og sundhedspersonale til at yde rettidige interventioner og støtte.

Som konklusion demonstrerer det banebrydende studie ledet af Dr. Tales Imbiriba magten ved maskinlæring til at forudsige aggressiv adfærd hos unge med autisme. Denne forskning giver håb om en lysere fremtid for individer, der står over for udfordringerne forbundet med autisme og giver en vej frem til udvikling af innovative og effektive interventioner. Mens der er mere arbejde tilbage for at omsætte disse resultater til praktiske anvendelser, er potentialet til at forbedre livet for dem med autisme et mål, der er værd at forfølge.