Früherkennung von Autismus durch subtile Fingerbewegungen

MÜNCHEN (IT BOLTWISE) – Die frühzeitige Diagnose von Autismus-Spektrum-Störungen (ASD) könnte durch die Analyse subtiler Fingerbewegungen bei Greifaufgaben revolutioniert werden. Eine neue Studie zeigt, dass maschinelles Lernen in der Lage ist, autistische von nicht-autistischen Personen mit einer Genauigkeit von etwa 85 % zu unterscheiden.

Die Diagnose von Autismus-Spektrum-Störungen (ASD) stellt nach wie vor eine große Herausforderung dar, insbesondere wenn es darum geht, diese frühzeitig zu erkennen. Eine aktuelle Studie von Forschern der York University zeigt, dass subtile Unterschiede in den Fingerbewegungen beim Greifen von Objekten eine vielversprechende Methode zur Diagnose von ASD darstellen könnten. Durch den Einsatz von maschinellem Lernen konnten die Forscher eine Klassifikationsgenauigkeit von etwa 85 % erreichen, was auf das Potenzial dieser Methode hinweist, bestehende diagnostische Ansätze zu ergänzen.

Die Untersuchung konzentrierte sich auf die Analyse natürlicher Handbewegungen, insbesondere der Fingerbewegungen, während Greifaufgaben. Diese motorischen Unterschiede sind oft schon früh im Leben erkennbar und könnten eine frühere Diagnose ermöglichen als die derzeitigen Methoden, die sich auf später auftretende Verhaltensmerkmale stützen. Die Ergebnisse der Studie könnten zu einfacheren und skalierbaren Werkzeugen für eine frühzeitige Diagnose und schnellere Intervention führen, was die Unterstützung für autistische Personen erheblich verbessern könnte.

Autismus betrifft etwa eines von 50 kanadischen Kindern, und eine rechtzeitige, zugängliche Diagnose bleibt eine große Herausforderung. Die Forscher betonen, dass subtile motorische Muster wertvolle diagnostische Signale liefern könnten, die in der klinischen Praxis noch nicht weit verbreitet genutzt werden. Neben sozialen und kommunikativen Herausforderungen kann Autismus auch motorische Anomalien umfassen, die oft schon im frühen Kindesalter auftreten. Die Forscher argumentieren, dass das Testen dieser motorischen Bewegungen frühzeitig zu schnelleren Diagnosen und Interventionen führen könnte.

In der Studie wurden autistische und nicht-autistische junge Erwachsene gebeten, mit Daumen und Zeigefinger, an denen Markierungen angebracht waren, verschiedene Blöcke unterschiedlicher Größe zu greifen, anzuheben und wieder abzulegen. Die Forscher nutzten maschinelles Lernen, um die Fingerbewegungen der Teilnehmer bei diesen Greifbewegungen zu analysieren. Beide Gruppen von Teilnehmern hatten einen normalen IQ und waren in Alter und Intelligenz aufeinander abgestimmt. Junge Erwachsene wurden anstelle von Kindern verwendet, um Unterschiede in den Ergebnissen aufgrund verzögerter Entwicklung auszuschließen.

Die Forschung ergab, dass subtile Unterschiede in der motorischen Kontrolle mit einer Genauigkeit von mehr als 84 % erfasst werden können. Die Studie zeigte auch, dass es deutliche kinematische Unterschiede in den Greifbewegungen zwischen autistischen und nicht-autistischen Teilnehmern gab. Die Analyse natürlicher Präzisionsgreifaufgaben wurde in früheren Studien nicht typischerweise verwendet, sagt Freud. Maschinelles Lernen bietet Forschern jedoch ein mächtiges neues Werkzeug zur Analyse von Bewegungsmustern und eröffnet neue Möglichkeiten zur Nutzung von Bewegungsdaten bei der Bewertung von Autismus-Spektrum-Störungen.

Die Ergebnisse, so Freud, könnten zur Entwicklung zugänglicherer und zuverlässigerer Diagnosewerkzeuge sowie zu rechtzeitigen Interventionen und Unterstützungen führen, die die Ergebnisse für autistische Personen in der Zukunft 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!