Eine kürzlich durchgeführte Studie von Wissenschaftlern des Neuro (Montreal Neurological Institute-Hospital) der McGill University und des Mila (Quebec Artificial Intelligence Institute) hat gezeigt, dass Faktoren im Zusammenhang mit sozialer Kommunikation möglicherweise nicht so aussagekräftig für das Vorliegen dieser Störung sind wie bisher angenommen.
Diese Erkenntnis stellt die Standarddiagnosemethode für Autismus in Frage, die auf einer Bewertung basiert, die sich an Referenzhandbüchern wie dem Diagnostischen und Statistischen Manual Psychischer Störungen, Fünfte Ausgabe (DSM-5) orientiert. Das DSM-5 listet zwei Kategorien von diagnostischen Kriterien für Autismus auf: eine, die sich auf Verhaltensweisen, Empfindlichkeiten und Interessen bezieht, und eine, die sich auf Unterschiede im Bereich der Kommunikation und sozialen Interaktion konzentriert.
Für die Studie passten die Wissenschaftler ein künstliches Intelligenzmodell (KI) an, um mehr als 4.200 klinische Berichte von Kindern in Quebec zu analysieren. Die Ergebnisse der Analyse zeigten, dass die Kriterien im Zusammenhang mit Sozialisation, wie emotionale Gegenseitigkeit, nonverbale Kommunikation und der Aufbau von Beziehungen, nicht eng mit der Diagnose von Autismus verbunden waren.
Mit anderen Worten: Diese Kriterien waren bei Personen mit Autismus-Diagnose nicht wesentlich häufiger anzutreffen als bei Personen, bei denen diese Diagnose ausgeschlossen wurde. Die Kriterien im Zusammenhang mit repetitiven motorischen Bewegungen, Hyperfixierung auf bestimmte Interessen und ungewöhnliche Empfindlichkeit gegenüber sensorischen Reizen waren hingegen stark mit der Autismus-Diagnose verbunden.
Angesichts dieser in der Fachzeitschrift Cell veröffentlichten Ergebnisse argumentieren die Wissenschaftler, dass es für die medizinische Gemeinschaft wünschenswert sein könnte, die Bedeutung der aktuellen Kriterien zu überdenken und sich stärker auf repetitive Verhaltensweisen und besondere Interessen zu konzentrieren.
Das Potenzial der KI für schnelle und präzise Diagnosen
Derzeit basiert die Diagnose von Autismus auf einer klinischen Bewertung; es gibt keinen biologischen Test, der Gene, Blut oder Gehirnscans analysieren kann. Es handelt sich um einen langwierigen Prozess, der den Zugang zu wichtigen Unterstützungsdiensten verzögern kann. Laut den Forschern könnte die Diagnosestellung beschleunigt und präziser gemacht werden, indem man sich auf die am stärksten vorhersagekräftigen Merkmale von Autismus konzentriert. Sie betonen das Potenzial der KI, diesen Prozess zu verfeinern.
"Die Technologie der großen Sprachmodelle könnte uns eines Tages dazu bringen, unsere Definition von Autismus zu überdenken", bemerkt Danilo Bzdok, Hauptautor und Wissenschaftler am Neuro und Mila. "Diese datengestützte Neubewertung aktueller neurologischer Erkrankungen ergänzt die Arbeit, die traditionell ausschließlich von Expertengruppen und menschlichem Urteilsvermögen geleistet wird."
Diese Studie wurde finanziert von der Brain Canada Foundation, Health Canada, den National Institutes of Health, den Canadian Institutes of Health Research, dem Healthy Brains for Healthy Lives-Programm, dem Canada First Research Excellence Fund und dem Canadian Institute for Advanced Research.
Die Studie
Der Artikel "Language models deconstruct the clinical intuition behind diagnosing autism" von Jack Stanley, Emmett Rabot, Siva Reddy, Eugene Belilovsky, Laurent Mottron und Danilo Bzdok wurde in der Zeitschrift Cell veröffentlicht.