基于随机森林算法构建孤独症谱系障碍儿童辅助诊断模型

  目的  利用随机森林算法构建孤独症谱系障碍(autism spectrum disorder, ASD)儿童快速辅助诊断模型,有助于ASD儿童的早期发现、早期诊断,减轻临床诊断及评估压力。  方法  采用机器学习中随机森林算法,应用社交反应量表(SRS)及文兰适应行为量表(VABS)对黑龙江省346名ASD儿童和90名健康儿童进行评估,并基于量表数据以及儿童基础信息构建预测模型,运用ROC曲线及准确率等指标评价模型拟合效果。  结果  得到的随机森林预测模型中,13个特征因素模型以及7个特征因素的预测模型准确率均达到0.9以上、灵敏度最高达到0.927,特异度最高达到0.936,AUC值为0.979;以年龄为筛选条件的模型准确率达到0.943,灵敏度达到0.959,特异度达到0.931,AUC值为0.978。3个模型的拟合和泛化效果都较为理想。  方法  采用社交及适应能力水平指标构建的随机森林模型可以较为精确辅助开展ASD的诊断,为开发快速筛查和诊断的辅助工具提供了科学依据。     

孤独症谱系障碍家庭干预国际热点与趋势分析

  目的  总结现有孤独症谱系障碍(autism spectrum disorder, ASD)家庭干预研究的国际热点与趋势,为开展中国ASD家庭干预的本土化研究提供思路。  方法  采用文献计量软件CiteSpace对Web of Science核心数据库中2001—2020年孤独症家庭干预领域的前沿文献进行可视化分析。数据采集以家庭照顾者干预相关的7个主题词为检索词,采集时间为2021年2月,经过数据整理,最终纳于分析的文献为2 342篇。  结果  国际发文量自2013年起上升速度较快,2001—2012年在国际上的年平均发文量为29篇,2013—2020年的年平均发文量为250篇,增加了近8倍。其中美国发文1 295篇,贡献居首位,加拿大和英国的两所高校的文章影响力更大。体现国际热点的高频关键词依次为children,adolescent,mother,behavior,stress等;高中心性关键词依次为follow-up,intellectual disability,early recognition,young children,language等。  结论  ASD家庭干预领域近20年的研究热点包括家庭干预对象、家庭干预策略与实施者和家庭干预的实施效果三大方面。2016—2020年的研究前沿主要针对儿童、青少年以及成年时期ASD患者的干预研究和侧重于照顾者的ASD家庭干预随机对照试验。