Modèle de dépistage basé sur l'apprentissage automatique pour les troubles tic comorbides avec trouble déficit de l'attention/hyperactivité chez l'enfant et interprétation des valeurs SHAP : une étude observationnelle rétrospective
Machine learning-based screening model for Tic disorders comorbid with attention-deficit/hyperactivity disorder in children and SHAP value interpretation: a retrospective observational study.
L’essentiel
Cette étude a développé un modèle d'apprentissage automatique pour identifier les enfants atteints de troubles tic (TD) avec une forte probabilité de comorbidité TDAH. À partir d'une cohorte rétrospective de 1364 enfants, sept caractéristiques cliniques (initiative d'apprentissage, type de tuteur, performances académiques, rhinite allergique, irritabilité, hypertrophie adénoïdienne, qualité du sommeil) ont été retenues. Le modèle random forest a obtenu une AUC de 0,780, une précision de 0,793 et un score de Brier de 0,18. L'analyse SHAP a identifié l'initiative d'apprentissage et le type de tuteur comme les prédicteurs les plus importants. Les auteurs soulignent la nécessité d'une validation externe avant toute utilisation clinique.
- Le modèle random forest a atteint une AUC de 0,780 pour prédire la comorbidité TDAH chez les enfants avec TD.
- Sept caractéristiques cliniques clés ont été identifiées via Lasso et retenues pour le modèle.
- L'initiative d'apprentissage et le type de tuteur étaient les prédicteurs les plus importants selon SHAP.
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 a développé un modèle d'apprentissage automatique pour identifier les enfants atteints de troubles tic (TD) avec une forte probabilité de comorbidité TDAH. À partir d'une cohorte rétrospective de 1364 enfants, sept caractéristiques cliniques (initiative d'apprentissage, type de tuteur, performances académiques, rhinite allergique, irritabilité, hypertrophie adénoïdienne, qualité du sommeil) ont été retenues. Le modèle random forest a obtenu une AUC de 0,780, une précision de 0,793 et un score de Brier de 0,18. L'analyse SHAP a identifié l'initiative d'apprentissage et le type de tuteur comme les prédicteurs les plus importants. Les auteurs soulignent la nécessité d'une validation externe avant toute utilisation clinique.
Résultats principaux
Le modèle random forest a atteint une AUC de 0,780 pour prédire la comorbidité TDAH chez les enfants avec TD. Sept caractéristiques cliniques clés ont été identifiées via Lasso et retenues pour le modèle. L'initiative d'apprentissage et le type de tuteur étaient les prédicteurs les plus importants selon SHAP. L'étude est rétrospective, monocentrique et sans validation externe. Les performances du modèle sont modestes mais prometteuses pour un futur dépistage.
Repères pour la pratique
Ce modèle pourrait aider les cliniciens à identifier les enfants avec TD nécessitant une évaluation approfondie du TDAH. Les caractéristiques utilisées sont facilement accessibles en pratique clinique, facilitant une éventuelle intégration. Avant utilisation, une validation externe sur des populations diverses est indispensable.
Limites et précautions
Étude pertinente pour NeuroWatch car elle aborde un problème clinique fréquent (comorbidité TD-TDAH) et propose un outil de dépistage basé sur l'apprentissage automatique. Cependant, les limitations méthodologiques (rétrospectif, monocentrique, pas de validation externe) réduisent le niveau de preuve et l'applicabilité immédiate, justifiant une note de 70. Étude rétrospective monocentrique limitant la généralisabilité. Absence de validation externe, la performance en conditions réelles est inconnue. L'AUC de 0,78 indique une discrimination modérée. Certains facteurs de confusion potentiels n'ont pas été inclus.
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 a inclus 1364 enfants atteints de troubles tics (TD), dont 889 avec TD seul et 475 avec TD comorbide avec TDAH, recrutés dans le département de pédiatrie de l'hôpital Guang'anmen de l'Académie chinoise des sciences médicales d'octobre 2023 à octobre 2024. Le modèle de dépistage basé sur l'apprentissage automatique utilisant l'algorithme de forêt aléatoire avec 7 caractéristiques clés (initiative d'apprentissage, type de tuteur, performance académique, rhinite allergique, irritabilité, hypertrophie adénoïdienne, qualité du sommeil) a atteint une AUC de 0,780 (IC à 95 % : 0,742-0,818), une précision de 0,793, un rappel de 0,793, un score F1 de 0,753 et un score de Brier de 0,18, indiquant une bonne calibration. L'importance des caractéristiques a été évaluée à l'aide de SHAP. Les auteurs concluent que le modèle a une bonne performance prédictive et pourrait aider au dépistage précoce de la comorbidité TDAH chez les enfants atteints de TD. Cependant, l'étude est monocentrique et rétrospective, sans validation externe, ce qui limite la généralisabilité. L'analyse NeuroWatch note que le contrôle des facteurs de confusion et la gestion des données manquantes ne sont pas rapportés dans la source analysée, ce qui rend ces aspects indéterminés. De plus, l'analyse est automatisée et basée uniquement sur le résumé, ce qui limite la capacité à évaluer pleinement la robustesse méthodologique. Aucune recommandation clinique n'est fournie.
confounding controlNon déterminable
L'étude ne mentionne pas de contrôle des facteurs de confusion dans la conception ou l'analyse.
L’information nécessaire n’est pas rapportée dans la source analysée.exposure measurementFavorable
L'exposition (TD avec ou sans TDAH) a été mesurée à partir d'un diagnostic clinique dans un cadre hospitalier, avec une répartition claire des groupes.
Un élément méthodologique adéquat est explicitement documenté.missing dataNon déterminable
Aucune information sur la gestion des données manquantes n'est fournie.
L’information nécessaire n’est pas rapportée dans la source analysée.outcome measurementFavorable
Le critère de jugement (comorbidité TDAH) a été évalué par des méthodes diagnostiques standardisées, et la performance du modèle a été mesurée avec des métriques objectives.
Un élément méthodologique adéquat est explicitement documenté.population selectionPoint de vigilance
Étude monocentrique rétrospective sans validation externe, ce qui limite la généralisabilité des résultats.
Une limitation méthodologique est explicitement documentée.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
- Cohorte
- Source
- PubMed — neurosciences cognitives developpementales
- Date
- 30 mai 2026
- Langue
- Anglais
- Accès
- abstract only
- Licence
- Non déterminée