Hauptinhalt

Machine Learning und ASD-Diagnostik

Kann anhand moderner Mustererkennungsverfahren der diagnostische Prozess vereinfacht werden?

Diese großangelegte Studie umfasst diagnostische Daten von Kindern, Jugendlichen und Erwachsenen mit einer Autismus-Spektrum-Störung.

Eine Studienteilnahme ist derzeit nicht möglich.

Worum geht es?

Gegenwärtig ist das Störungsbild der Autismus-Spektrum-Störungen zunehmend von wissenschaftlichem, klinischem und gesellschaftlichem Interesse. Dies äußert sich auch in einer steigenden Zahl von Patienten bei denen der Verdacht besteht, es könne eine ASD vorliegen. Die Abgrenzung zu anderen Störungsbildern ist in vielen Fällen schwierig. Daher stellt die Identifikation von den Merkmalen, die zwischen verschiedenen, jedoch ähnlichen Phänotypen differenzieren, eine wichtige Aufgabe der Diagnostik dar.

Unter der Leitung von Prof. Veit Rößner (Dresden) und PD Dr. Stefan Röpke (Berlin) wurden die diagnostischen Daten von ca. 1300 Patienten mit einer ASD sowie 1300 Patienten mit einer anderen psychiatrischen Diagnose zusammengetragen und in einer Datenbank vereint.

Diese Datensätze werden nun anhand multivariater Analysetechniken analysiert. Diese Techniken sind in der Lage, verschiedene Informationen zu krankheitsbezogenen Mustern zusammenzufassen, sie  in statistischen Lernmodellen abzubilden und auf ihren klinisch-diagnostischen Wert hin zu untersuchen. Ziel ist es, solche Merkmale zu identifizieren, die gut zwischen verschiedenen Störungsgruppen unterscheiden und solche Merkmale zu finden, die eine Zugehörigkeit zur Gruppe ASD besonders zuverlässig vorhersagen.

Die Ergebnisse dieser ersten Analysen sollen in einem zweiten Schritt an einer unabhängigen Patientengruppe evaluiert werden.