Früherkennung von Autismus durch Fingerbewegungen

TORONTO / MÜNCHEN (IT BOLTWISE) – Eine neue Studie der York University zeigt, dass subtile Fingerbewegungen bei Greifaufgaben eine hohe Genauigkeit bei der Diagnose von Autismus-Spektrum-Störungen (ASD) bieten können.

Die Herausforderung, Autismus-Spektrum-Störungen (ASD) frühzeitig zu diagnostizieren, könnte durch eine innovative Methode der Fingerbewegungsanalyse erleichtert werden. Forscher der York University haben in Zusammenarbeit mit internationalen Partnern herausgefunden, dass subtile Unterschiede in den Greifbewegungen von autistischen und nicht-autistischen Personen mit einer Genauigkeit von etwa 85 % klassifiziert werden können. Diese Entdeckung könnte die bestehenden Diagnosemethoden, die oft auf später entwickelnde Verhaltensmerkmale angewiesen sind, ergänzen und zu einer schnelleren Intervention führen.

Die Studie, die auf maschinellem Lernen basiert, analysierte die natürlichen Handbewegungen von jungen Erwachsenen, die Objekte mit Daumen und Zeigefinger griffen. Die Forscher verwendeten Tracking-Marker, um die Bewegungen präzise zu erfassen und zu analysieren. Die Ergebnisse zeigen, dass diese motorischen Unterschiede, die oft schon früh im Leben erkennbar sind, eine wertvolle Ergänzung zu den derzeitigen Diagnoseverfahren darstellen könnten.

Professor Erez Freud von der York University, der die Studie leitete, betont die Bedeutung dieser Forschungsergebnisse: “Unsere Modelle konnten Autismus mit einer Genauigkeit von etwa 85 % klassifizieren, was darauf hindeutet, dass dieser Ansatz potenziell einfachere und skalierbare Diagnosewerkzeuge bieten könnte.” Diese Methode könnte insbesondere in der Frühdiagnose von Autismus hilfreich sein, da motorische Anomalien oft schon in der frühen Kindheit auftreten.

Die Forscher führten ihre Experimente mit jungen Erwachsenen durch, um Entwicklungsverzögerungen bei Kindern als Einflussfaktor auszuschließen. Beide Teilnehmergruppen, autistisch und nicht-autistisch, waren hinsichtlich Alter und Intelligenz vergleichbar. Die Ergebnisse zeigten, dass es signifikante kinematische Unterschiede in den Greifbewegungen zwischen den beiden Gruppen gab, was die Zuverlässigkeit dieser Methode unterstreicht.

Die Anwendung von maschinellem Lernen zur Analyse natürlicher Greifbewegungen ist ein relativ neuer Ansatz in der Autismusforschung. Diese Technologie eröffnet neue Möglichkeiten, Bewegungsdaten zur Bewertung von Autismus-Spektrum-Störungen zu nutzen. Die Forscher hoffen, dass ihre Erkenntnisse zur Entwicklung zugänglicherer und zuverlässigerer Diagnosewerkzeuge führen werden, die eine rechtzeitige Intervention und Unterstützung ermöglichen.

Die Bedeutung dieser Forschung liegt nicht nur in der potenziellen Verbesserung der Diagnosegenauigkeit, sondern auch in der Möglichkeit, die Altersgrenze für die Diagnose von Autismus zu senken. Dies könnte zu einer schnelleren Bereitstellung von Unterstützungsmaßnahmen führen, die die Lebensqualität von autistischen Personen erheblich verbessern könnten.

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!