Identification du TDAH à partir de vidéos enregistrées en conditions réelles
ADHD identification from real-life recorded video.
L’essentiel
Cette étude explore l'utilisation d'un système d'apprentissage profond pour identifier le trouble du déficit de l'attention avec hyperactivité (TDAH) à partir de vidéos enregistrées en milieu domestique. À partir de 78 séquences vidéo (40 femmes, 38 hommes), des coordonnées squelettiques du haut du corps ont été extraites et analysées via des architectures deep learning (TabNet, TCC, LSTM) et des classifieurs classiques, atteignant une précision de 0,66 à 0,88 pour les femmes et 0,65 à 0,82 pour les hommes. La méthode pourrait permettre une évaluation continue du TDAH à domicile et fournir de nouveaux biomarqueurs pour la clinique.
- Utilisation de vidéos réelles enregistrées à domicile pour détecter le TDAH.
- Extraction de coordonnées squelettiques du haut du corps par deep learning pré-entraîné.
- Précision de classification de 0,66 à 0,88 selon le sexe et le modèle.
Le texte intégral n’était pas accessible ; aucune faiblesse méthodologique ne peut être déduite de cette absence.
Comprendre l’analyse ↓Analyse du résumé uniquement. Confiance faible dans les informations extraites.
Voir les sources ↓Synthèse détaillée
Synthèse
Cette étude explore l'utilisation d'un système d'apprentissage profond pour identifier le trouble du déficit de l'attention avec hyperactivité (TDAH) à partir de vidéos enregistrées en milieu domestique. À partir de 78 séquences vidéo (40 femmes, 38 hommes), des coordonnées squelettiques du haut du corps ont été extraites et analysées via des architectures deep learning (TabNet, TCC, LSTM) et des classifieurs classiques, atteignant une précision de 0,66 à 0,88 pour les femmes et 0,65 à 0,82 pour les hommes. La méthode pourrait permettre une évaluation continue du TDAH à domicile et fournir de nouveaux biomarqueurs pour la clinique.
Résultats principaux
Utilisation de vidéos réelles enregistrées à domicile pour détecter le TDAH. Extraction de coordonnées squelettiques du haut du corps par deep learning pré-entraîné. Précision de classification de 0,66 à 0,88 selon le sexe et le modèle. Méthode non invasive et potentiellement applicable en télésurveillance. Identification de biomarqueurs comportementaux spécifiques au sexe.
Repères pour la pratique
Outil complémentaire aux questionnaires et entretiens pour le diagnostic du TDAH. Permet une évaluation écologique en milieu naturel, réduisant les biais observateurs. Facilite le suivi longitudinal des symptômes et l'ajustement thérapeutique à distance. Peut améliorer la détection des formes subcliniques ou atypiques du TDAH.
Limites et précautions
L'article aborde une méthode innovante et écologique pour l'identification du TDAH, directement utile en clinique. Cependant, la petite taille de l'échantillon et le niveau de preuve préliminaire (prépublication) limitent la confiance immédiate. Note de 78 correspondant à un intérêt modéré à élevé pour les cliniciens et chercheurs. Échantillon de petite taille (78 vidéos) limitant la généralisation. Précision modeste, notamment chez les hommes (0,65-0,82). Absence de validation croisée externe sur une population indépendante. Potentiel biais de sélection dans les vidéos auto-enregistrées. Non prise en compte des comorbidités fréquentes du TDAH.
Analyse méthodologique
Non déterminable — Le texte intégral n’était pas accessible ; aucune faiblesse méthodologique ne peut être déduite de cette absence.
Le texte intégral ouvert n’était pas accessible. Cela rend la robustesse non déterminable : l’absence d’information n’est pas interprétée comme une faiblesse de l’étude.
Une anomalie documentaire ou méthodologique a été détectée. L’article reste disponible et doit être interprété avec prudence.
Examiner les critères point par point
L'étude de diagnostic a inclus 78 participants (40 femmes, 38 hommes) et a utilisé des vidéos en milieu réel pour extraire les coordonnées articulaires via un cadre d'apprentissage profond. Les auteurs concluent que cette méthode peut identifier le TDAH avec une précision variable selon le sexe. Cependant, l'analyse NeuroWatch, automatisée et basée uniquement sur le résumé, note que plusieurs éléments méthodologiques essentiels ne sont pas rapportés dans la source analysée : la validation externe, le flux et le timing de l'étude, le processus de sélection des patients, et le standard de référence pour le diagnostic de TDAH. L'absence de ces informations empêche d'évaluer la robustesse de l'étude. Par conséquent, la confiance dans les résultats est faible et la robustesse est indéterminée. Aucune recommandation clinique n'est formulée.
external validationNon déterminable
Aucune mention de validation externe dans le résumé.
L’information nécessaire n’est pas rapportée dans la source analysée.flow and timingNon déterminable
Aucune information sur le flux ou le timing de l'étude.
L’information nécessaire n’est pas rapportée dans la source analysée.index testFavorable
Utilisation de vidéos réelles pour l'extraction de coordonnées articulaires via deep learning, avec plusieurs classificateurs.
Un élément méthodologique adéquat est explicitement documenté.patient selectionNon déterminable
Aucun détail sur les critères de sélection des patients ou des vidéos.
L’information nécessaire n’est pas rapportée dans la source analysée.reference standardNon déterminable
Aucune mention d'un standard de référence pour le diagnostic de TDAH.
L’information nécessaire n’est pas rapportée dans la source analysée.Cette analyse est produite automatiquement par une IA à partir des sources indiquées, puis l’appréciation est calculée avec des règles versionnées (scientific_analysis_v2). Elle ne constitue ni une validation par un professionnel ni une recommandation clinique. Consulter la méthodologie.
Classification détaillée
Informations sur l’article
- Publication
- Étude diagnostique
- Source
- PubMed / PMC — neurodeveloppement open access
- Date
- 11 mai 2026
- Langue
- Anglais
- Accès
- Accès ouvert
- Licence
- Non déterminée