Revue systématique01 juin 2026Autisme / TSA

Méthodes d'intelligence artificielle pour la détection précoce des troubles du spectre autistique : une revue systématique basée sur les critères du DSM-5

Artificial Intelligence Methods in Early Detection of Autism Spectrum Disorder: A DSM-5 Criterion-Based Systematic Review.

PubMed — TSA diagnostic et outils · Anglais

Lire l’article original ↗Ajouter aux favoris

LinkedIn Facebook X / Twitter Email

Lecture rapide

L’essentiel

Cette revue systématique évalue les méthodes d'intelligence artificielle (IA) pour la détection précoce du trouble du spectre autistique (TSA) chez les enfants, en examinant leur distribution, performance, alignement avec le DSM-5 et qualité méthodologique. Sur 1018 enregistrements, 43 études ont été incluses. Les approches d'apprentissage automatique classique (34%), d'apprentissage profond (34%) et hybrides (32%) étaient également répandues. La plupart des études (74%) ciblaient à la fois les critères A et B du DSM-5. L'alignement direct avec le DSM-5 était corrélé à une précision médiane d'environ 95% (intervalle global : 68,18%-100%). Les préoccupations méthodologiques incluaient une sélection des patients peu claire (57%) et un risque lié au test index (43%). L'IA montre un potentiel transformateur pour la détection précoce du TSA, mais des lacunes subsistent dans la couverture du critère B, un biais géographique et des incohérences méthodologiques.

L'IA classique, l'apprentissage profond et les approches hybrides sont également représentés (environ un tiers chacun) dans les études de détection précoce du TSA.
Les réseaux de neurones convolutifs et les machines à vecteurs de support dominent respectivement pour les données non structurées et structurées.
74% des études ciblent à la fois les critères A (déficits de communication sociale) et B (comportements restreints et répétitifs) du DSM-5.

Robustesse de l’étudeNon déterminable

Le texte intégral n’était pas accessible ; aucune faiblesse méthodologique ne peut être déduite de cette absence.

Comprendre l’analyse ↓

Portée de l’analyse NeuroWatchAnalyse partielle

Analyse du résumé uniquement. Confiance faible dans les informations extraites.

Voir les sources ↓

Pour approfondir

Synthèse détaillée

Synthèse

Résultats principaux

L'IA classique, l'apprentissage profond et les approches hybrides sont également représentés (environ un tiers chacun) dans les études de détection précoce du TSA. Les réseaux de neurones convolutifs et les machines à vecteurs de support dominent respectivement pour les données non structurées et structurées. 74% des études ciblent à la fois les critères A (déficits de communication sociale) et B (comportements restreints et répétitifs) du DSM-5. La précision des modèles varie de 68,18% à 100%, avec une médiane d'environ 95% pour les études alignées sur le DSM-5. Des préoccupations méthodologiques importantes incluent un risque de biais dans la sélection des patients (57% peu clair) et le test index (43% peu clair).

Repères pour la pratique

Les cliniciens pourraient utiliser des outils d'IA comme aide objective pour la détection précoce du TSA, notamment pour les déficits de communication sociale. L'alignement des modèles d'IA sur les critères du DSM-5 améliore leur précision diagnostique, ce qui suggère que les futures applications cliniques devraient intégrer explicitement ces critères. Les lacunes dans la couverture du critère B (comportements restreints et répétitifs) limitent la validité écologique des modèles actuels, nécessitant le développement d'outils plus complets.

Limites et précautions

Revue systématique récente (2026) avec méthodologie PRISMA, couvrant largement les méthodes d'IA pour la détection précoce du TSA, avec une analyse de l'alignement DSM-5. Très pertinent pour les cliniciens et chercheurs en autisme, malgré des limites méthodologiques notables. Score 85/100 : article clairement utile pour NeuroWatch. Absence de recherche de citations en aval ou en amont, ce qui peut avoir exclu des études pertinentes. Biais géographique : les études proviennent principalement de contextes à revenus élevés, limitant la généralisabilité. 57% des études présentent un risque de biais peu clair dans la sélection des patients, et 43% dans le test index. Exclusion des études utilisant exclusivement des données neurobiologiques ou des populations adultes, ce qui réduit la portée de la revue. Les métriques de performance rapportées sont souvent basées sur des échantillons de validation internes, sans validation externe dans la plupart des cas.

Analyse automatisée NeuroWatch

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.

Examiner les critères point par point

Cette revue systématique (protocole enregistré sur PROSPERO CRD420250656126) a recherché dans sept bases de données de janvier 2015 à mars 2025. Deux réviseurs ont indépendamment sélectionné 43 études sur 1018 dossiers. La synthèse a montré que les techniques d'IA étaient également réparties entre apprentissage automatique classique (34 %), apprentissage profond (34 %) et approches hybrides (32 %). La précision globale variait de 68,18 % à 100 %, avec une médiane de ~95 % pour les études alignées directement sur le DSM-5. La plupart des études (74 %) ciblaient à la fois les critères A et B du DSM-5. L'évaluation du risque de biais (via QUADAS-2 adapté) a révélé un risque peu clair pour la sélection des patients (57 %) et le test index (43 %). Les auteurs concluent que les méthodes d'IA sont prometteuses mais que des protocoles standardisés et une validation externe diversifiée sont nécessaires. L'analyse NeuroWatch, basée sur le résumé seulement, note que les preuves sont limitées par des biais méthodologiques et un biais géographique vers les pays à revenu élevé. Les informations non rapportées dans la source analysée incluent le financement et les conflits d'intérêts. Cette analyse est automatisée.

protocolFavorable

Protocole enregistré sur PROSPERO (CRD420250656126).

Un élément méthodologique adéquat est explicitement documenté.

risk of biasPoint de vigilance

Évaluation du risque de biais avec QUADAS-2 adapté pour le ML ; risques flous pour la sélection des patients (57%) et le test index (43%).

Une limitation méthodologique est explicitement documentée.

search strategyFavorable

Recherche dans sept bases de données de janvier 2015 à mars 2025 ; pas de recherche de citations en aval ou en amont.

Un élément méthodologique adéquat est explicitement documenté.

study selectionFavorable

Deux réviseurs ont indépendamment examiné 1018 dossiers ; 43 répondaient aux critères d'inclusion.

Un élément méthodologique adéquat est explicitement documenté.

synthesis methodFavorable

Synthèse incluant la distribution des techniques d'IA, l'alignement avec le DSM-5 et les plages de précision.

Un élément méthodologique adéquat est explicitement documenté.

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.

Indexation NeuroWatch