Design of a Machine Learning-based classifier for enhancing the accuracy and applicability of DAES, a novel autism screening tool [Sviluppo di un classificatore basato sul Machine Learning per migliorare l'accuratezza e l’applicabilità del DAES, un nuovo strumento di screening per l’autismo]

Il Disturbo dello Spettro dell’Autismo (ASD) è un disturbo del neurosviluppo caratterizzato da un ampio range di manifestazioni cliniche e traiettorie evolutive, che rende complesso e spesso difficile il processo diagnostico. Una precoce identificazione dell’ASD può consentire l’inizio di un tempestivo intervento, con migliori outcomes. Vi è, pertanto, una crescente necessità di accurati strumenti di screening per l’autismo, rapidi e facili da somministrare. Recentemente, il machine learning (ML) è stato impiegato per migliorare le performances di strumenti di screening di primo livello, principalmente questionari compilati dai genitori. In questo studio, il ML è stato applicato per incrementare l’accuratezza e l’applicabilità di un nuovo strumento di screening osservazionale e interattivo per l’autismo, il DAES (Developmental Autism Early Screening). Abbiamo precedentemente sviluppato questo tool a partire dalla Griffith III (Griffiths Scales of Child Development – Third Edition), con l’obiettivo di intercettare precocemente patterns atipici di sviluppo nei bambini a rischio di ASD, distinguendoli da quelli con ritardo globale dello sviluppo (DD) o sviluppo tipico (TD), nei primi tre anni di vita. In questo studio abbiamo analizzato e selezionato gli items del DAES maggiormente discriminativi in due distinte fasce d’età (≤ 24 mesi e > 24 mesi), in un ampio campione di bambini (n = 610) con ASD, DD e TD, di età compresa tra 12 e 48 mesi. Sono stati addestrati e testati cinque algoritmi di ML (Random Forest – RF, Support Vector Classifier – SVC, Decision Tree – DT, Regressione Logistica – LR, e K-Nearest Neighbors – KNN) per classificare i bambini a rischio di ASD rispetto a quelli con DD e TD, nelle due differenti fasce d’età. RF e SVC sono risultati i modelli più efficaci, con un’accuratezza superiore al 98%, utilizzando i 21 e 28 items selezionati (a partire dai 36 items iniziali del DAES), rispettivamente nelle fasce d’età ≤ 24 mesi e > 24 mesi. Questi risultati confermano la validità di una versione più breve e rapida del DAES, basata su items predittivi specifici per fasce d’età. Un uso diffuso dello strumento potrà facilitare un più precoce accesso a interventi mirati, consentendo di reindirizzare positivamente la traiettoria atipica di sviluppo in un più ampio numero di bambini a rischio di ASD.

Grantor dc:publisher

Università degli studi di Catania

Year dc:date

2026

Author dc:creator

• CIRNIGLIARO, LARA

Contributors dc:contributor

• BARONE, RITA MARIA ELISA

• Autism Spectrum Disorder
• Early screening
• Machine learning
• DAES
• Disturbo dello Spettro dell'Autismo
• Screening precoce

Statement dc:rights

• info:eu-repo/semantics/openAccess
• license:PUBBLICO - Pubblico con Copyright
• license uri:iris.PUB02

Language dc:language

eng

Handle dc:identifier

https://hdl.handle.net/20.500.11769/724387

OAI identifier oai:identifier

oai:www.iris.unict.it:20.500.11769/724387