Zespół autystyczny – Rokowania, prognozy i postęp choroby

Zespół autystyczny
Rokowania, prognozy i postęp choroby

Zespół autystyczny (ASD) jest zaburzeniem rozwojowym o przewlekłym przebiegu, którego rokowanie zależy w dużej mierze od wczesnej diagnozy i interwencji psychoedukacyjnej. Kluczowymi czynnikami prognostycznymi są iloraz inteligencji w dzieciństwie oraz wczesne zdolności językowe i komunikacyjne, które korelują z lepszym funkcjonowaniem adaptacyjnym i społecznym. Biomarkery neuroanatomiczne (objętość, grubość kory w obszarach czołowych, obręczy i połączenia skroniowo-ciemieniowego) oraz dane EEG, rejestrowane już od 3. miesiąca życia, wykazują wysoką wartość predykcyjną dla nasilenia objawów ASD ocenianych skalą ADOS. Modele uczenia maszynowego, integrujące dane behawioralne, neuroanatomiczne i biochemiczne (np. markery stresu oksydacyjnego, metylacji DNA), osiągają czułość około 70% i swoistość około 57% w przewidywaniu diagnozy ASD, co wskazuje na ich potencjał w diagnostyce przesiewowej i personalizacji terapii.

Prognozy w zespole autystycznym

Czynniki predykcyjne ogólne
Wczesna diagnostyka i prognozowanie
Biomarkery i zaawansowane metody predykcyjne
Czynniki wpływające na odpowiedź na leczenie
Predyktory optymalnego wyniku
Rola uczenia maszynowego w prognozowaniu
Obawy rodziców jako czynnik predykcyjny

Implikacje dla praktyki klinicznej

Ograniczenia w prognozowaniu
Predykcja poprzez analizę funkcji poznawczych
Kolejne rozdziały

Prognozy w zespole autystycznym

Zespół autystyczny (Autism Spectrum Disorder, ASD) jest zazwyczaj stanem trwającym przez całe życie, który często znacząco wpływa na jakość życia pacjenta i jego rodziny. Jednakże współczesne podejście do tej diagnozy nie powinno traktować jej jako ostatecznego wyroku bez możliwości poprawy. Mimo że całkowite wyjście ze spektrum autyzmu jest mało prawdopodobne, odpowiednio wczesna interwencja psychoedukacyjna może znacząco poprawić poziom autonomii osiąganej przez osobę z ASD, a tym samym korzystnie wpłynąć na rokowanie.¹

Czynniki predykcyjne ogólne

Znane są pewne czynniki predykcyjne długoterminowych wyników w ASD, przede wszystkim iloraz inteligencji w dzieciństwie oraz wczesne zdolności językowe i komunikacyjne (np. uwaga połączona). Wykazują one pozytywną korelację z lepszym funkcjonowaniem adaptacyjnym, umiejętnościami społecznymi i komunikacją w późniejszym życiu.² Wsparcie społeczne i integracja ze społeczeństwem mogą mieć bardzo istotne znaczenie w poprawie wyników u osób z ASD.¹²

Warto podkreślić, że optymalne wyniki (optimal outcome) rozumiane jako znaczące zmniejszenie podstawowych objawów autyzmu i pozytywna ewolucja umiejętności społecznych, adaptacyjnych i relacyjnych – choć rzadkie – są możliwe. Wyjście ze spektrum autyzmu nie oznacza jednak, że dana osoba z pewnością będzie żyła w stanie pełnego zdrowia psychicznego i adaptacji społecznej.²

Wczesna diagnostyka i prognozowanie

Wczesna diagnoza i dostęp do zasobów, wsparcia i terapii są kluczowe dla poprawy długoterminowych wyników u dzieci z ASD.³ Dowody sugerują, że najlepsze rokowanie dla ASD leży obecnie we wczesnej ukierunkowanej interwencji, której celem jest poprawa późniejszych wyników poprzez modyfikację pojawiających się atypowych trajektorii rozwojowych.⁴

Wczesne rozpoznanie biomarkerów i charakterystycznych cech ASD może pomóc w automatyzacji diagnostyki i opracowaniu modeli predykcyjnych. Badania wykazały, że pomiary EEG mogą przewidywać kliniczny wynik diagnostyczny ASD nawet od 3. miesiąca życia z wysoką dokładnością. Analiza sygnałów EEG, wraz z metodami klasyfikacji wzorców, może wyodrębnić informacje prognostyczne już na tak wczesnym etapie rozwoju.⁵⁶

Nasilenie objawów ASD, mierzone za pomocą Autism Diagnostic Observation Scale (ADOS), może być również przewidywane na podstawie danych EEG zebranych już w 3. miesiącu życia, z silną korelacją z rzeczywistymi wynikami ADOS, które dziecko osiąga w wieku trzech lat.⁶

Biomarkery i zaawansowane metody predykcyjne

Badania wykazują, że połączenie pomiarów neuroanatomicznych z oceną behawioralną może zwiększyć trafność diagnozy. Wybrane biomarkery neuroanatomiczne obejmują objętość, powierzchnię, grubość kory i średnią krzywiznę w określonych regionach wokół kory obręczy, kory czołowej i obszarów połączenia skroniowo-ciemieniowego.⁷ Te odkrycia podkreślają heterogeniczny i wieloaspektowy charakter ASD, sugerując, że dobry model predykcyjny powinien uwzględniać zarówno cechy behawioralne, jak i neuroanatomiczne.⁸⁷

Analiza wielowymiarowa danych biochemicznych, takich jak markery stresu oksydacyjnego i metylacji DNA, również wykazuje obiecujące wyniki w klasyfikacji i predykcji zachowań adaptacyjnych u dzieci z ASD. Modele opracowane na podstawie tych danych wykazują silniejszą zdolność predykcyjną niż jakiekolwiek istniejące podejścia z literatury naukowej.⁹¹⁰

Ostatnie badania wskazują również na związek między cechami neuroróżnorodnymi w dzieciństwie a zwiększoną częstotliwością występowania przewlekłego zmęczenia w okresie dojrzewania, co jest mediowane przez poziom stanu zapalnego w dzieciństwie. Dzieci, które wykazywały oznaki autyzmu w wieku 7 lat, były prawie dwa razy bardziej narażone na doświadczanie przewlekłego upośledzającego zmęczenia w wieku 18 lat.¹¹¹²

Czynniki wpływające na odpowiedź na leczenie

Identyfikacja cech wpływających na odpowiedź na określoną interwencję może być w przyszłości bardzo pomocna w praktyce klinicznej przy kierowaniu dziecka na konkretną interwencję. Badania z zastosowaniem modelu Early Start Denver Model (ESDM) wykazały, że dzieci, które osiągnęły optymalny dwuletni wynik leczenia, charakteryzowały się wyższym funkcjonowaniem adaptacyjnym na początku w połączeniu z szybką poprawą rozwoju w ciągu pierwszych 6 miesięcy interwencji.¹³

Odwrotnie, mniej znaczący postęp w szóstym miesiącu interwencji był związany z mniej optymalną odpowiedzią na leczenie. Wyniki te sugerują, że wynik po dwóch latach interwencji u dzieci z niskimi zdolnościami poznawczymi na początku może być przewidziany z wysoką dokładnością już pod koniec pierwszych sześciu miesięcy interwencji.¹³¹⁴

Predyktory optymalnego wyniku

Badania dotyczące czynników predykcyjnych optymalnego wyniku (OO) zdefiniowanego jako pozytywna trajektoria u dzieci z wcześniejszą diagnozą ASD, które po terapii wykazują znaczne zmniejszenie głównych objawów autyzmu oraz pozytywną ewolucję umiejętności społecznych, adaptacyjnych i relacyjnych, wykazały, że dzieci w grupie ASD-OO początkowo miały wyższy IQ niż te w grupie ASD-ASD, mniejsze nasilenie objawów autystycznych, większe zrozumienie intencji, większe zaraźliwość emocjonalną i lepszą jakość zabawy.¹⁵

Badanie przewidywalnych wskaźników optymalnego wyniku (OO) wykazało, że wzięte pojedynczo, żaden z rozważanych czynników nie jest predykcyjny dla OO. Sama obecność jednego lub dwóch wskaźników predykcyjnych w momencie diagnozy jest związana z niewielką możliwością, że dziecko przestanie wykazywać objawy autystyczne po co najmniej 2 latach terapii. Aby mieć dobrą szansę (57%) na osiągnięcie OO, muszą być obecne co najmniej 3 wskaźniki predykcyjne. Tylko u dzieci, u których w momencie diagnozy zidentyfikowano współistnienie wszystkich 4 czynników predykcyjnych, wykazano OO w 100% przypadków.¹⁶

Rola uczenia maszynowego w prognozowaniu

Metody uczenia maszynowego są coraz częściej wykorzystywane do przewidywania wyników w ASD. Badania z wykorzystaniem tych metod wykazały, że we wczesnym wieku diagnoza, wczesne rozpoczęcie rehabilitacji i nasilenie objawów ASD w ocenie wyjściowej przewidywały wynik. Modele uczenia maszynowego ujawniają, że kilka innych czynników (np. wiek rodziców, masa urodzeniowa, zmienne socjodemograficzne itp.) jest bardziej istotnych pod względem informacji prognostycznych i planowania leczenia dzieci z ASD.¹⁷

Znaczna część przypadków wykazuje istotną poprawę objawów ASD w czasie (39,7% w T1, 60,7% w T2; 77,8% w T3), a model uczenia maszynowego w T3 pokazał, że grupa diagnostyczna wpływała na prognozę.¹⁷

Najnowsze badanie z wykorzystaniem uczenia maszynowego osiągnęło obszar pod krzywą ROC wynoszący 69,6% dla przewidywania diagnozy ASD, czułość 70,9% i swoistość 56,9%, co sugeruje, że model transformatora zespołowego jest obiecującym kandydatem do badań przesiewowych ASD opartych na populacji.³

Obawy rodziców jako czynnik predykcyjny

Interesującym aspektem prognozowania jest rola obaw rodziców. Badania prospektywne wykazały, że obecność lub brak obaw rodzicielskich dostarcza cennych informacji predykcyjnych, które pomagają w różnicowaniu między niemowlętami z wysokim ryzykiem (HR), które otrzymają lub nie otrzymają diagnozy ASD. Sekwencjonowanie obaw rodziców odzwierciedla rozwojowy przebieg ASD, przy czym wczesne obawy odzwierciedlają prodrom ASD, a późniejsze obawy dotyczą głównych domen zaburzenia.¹⁸

Implikacje dla praktyki klinicznej

Możliwość wczesnej identyfikacji wskaźników zdolnych do kierowania ścieżkami terapeutycznymi i różnymi możliwościami prognostycznymi stanowi znaczące wzmocnienie roli pediatry w zapewnianiu odpowiednich diagnoz, właściwego wykorzystania usług specjalistycznych i zdolności do szybkiego modyfikowania potencjalnie pogarszających się zmian, zapewniając tym samym zrównoważony rozwój systemu opieki zdrowotnej.¹⁹

Odpowiednie i terminowe przygotowanie kariery zawodowej osób z ASD ma fundamentalne znaczenie dla ich przyszłości i powinno być dokonywane poprzez wybór, w miarę możliwości, odpowiednich dla nich aktywności.¹ Wsparcie społeczne i integracja mają kluczowe znaczenie dla poprawy wyników osób z zaburzeniami ze spektrum autyzmu.²

Ograniczenia w prognozowaniu

Mimo wyraźnych różnic grupowych na różnych poziomach, indywidualne przewidywanie ASD przy użyciu różnych miar w różnych punktach czasowych jest nadal dalekie od optymalnego. Konieczna jest dalsza praca w celu umożliwienia dokładniejszego przewidywania klasy mniejszościowej, na przykład z uwzględnieniem danych bardziej specyficznych dla ASD.²⁰

Warto zauważyć, że predykcja ASD prawdopodobnie zależy bardziej od poziomu rozwoju i funkcjonowania niż od tempa zmian. Pomimo wyraźnych, ale niewielkich efektów grupowych dla wyników Mullen i Vineland między grupami LR, HR-ASD, HR-Atypical i HR-Typical w wieku 8 i 14 miesięcy oraz większych efektów grupowych w wieku 24 i 36 miesięcy, indywidualna predykcja ASD od wyniku niebędącego ASD była na poziomie losowym w wieku 8 miesięcy, ale na umiarkowanym i powyżej przypadkowego poziomie (AUC=71,3%) w wieku 14 miesięcy.²⁰

Duża heterogeniczność między osobami w odpowiedzi na interwencję została zidentyfikowana jako główne ograniczenie w dążeniu do lepszego prognozowania. Ogólnie wyniki badań opowiadają się za bardziej systematycznym wykorzystaniem fenotypowania podgrup, które obejmuje parametry podłużne przy ocenie skuteczności wczesnej intensywnej interwencji, aby lepiej rozszyfrować dużą heterogeniczność dynamiki behawioralnej w odpowiedzi na leczenie.¹⁴

Predykcja poprzez analizę funkcji poznawczych

Według niedawnej wpływowej propozycji, kilka fenotypowych cech zaburzenia ze spektrum autyzmu (ASD) może być wyjaśnionych przez różnice w umiejętnościach predykcyjnych między osobami z ASD a osobami neurotypowymi. Badania sugerują, że ASD może być związane z różnicami w uczeniu się par predykcyjnych (np. uczenie się przyczyny i skutku) oraz w przewidywaniu przetwarzania na niskim poziomie w mózgu (np. przetwarzanie powtarzających się dźwięków).²¹

Osoby dorosłe z autyzmem wydają się mieć nienaruszone zdolności do przewidywania w niektórych zadaniach, co kontrastuje z hipotezami bayesowskimi dotyczącymi ASD. Jednak wyższe wskaźniki Glx/GABA+ w regionie czołowym były związane ze zmniejszonymi zdolnościami predykcyjnymi, a osoby z ASD miały tendencję do posiadania większej ilości Glx w tym regionie. Ta różnica neurobiologiczna może przyczyniać się do suboptymalnych mechanizmów predykcyjnych w ASD w określonych kontekstach.²²

Grupa ASD wykazała zmniejszoną świadomość przewidywania wraz ze zmniejszoną aktywnością BOLD w czołowej części mózgu związaną z błędem przewidywania, gdy przewidywana nagroda jest doświadczana przez innych. Ponadto grupa ASD wykazała zmniejszoną odpowiedź P3 na nieistotne dla zadania dewiacje, ale zwiększoną odpowiedź na dewiacje istotne dla zadania.²³

Obszar funkcjonowania	Obserwowane różnice w ASD	Implikacje dla rokowania
Habituacja neuronalna	Zmniejszona habituacja neuronalna i czasu reakcji Zmniejszona habituacja uwagi (wzroku) Zmniejszone tłumienie powtórzeń dla twarzy, ale nie kształtów	Potencjalne trudności w adaptacji do powtarzających się bodźców
Przetwarzanie dźwięków	Zwiększona podkorowa odpowiedź na powtarzające się dźwięki, sugerująca zmniejszone tłumienie przez przewidywanie	Możliwe przeciążenie sensoryczne w środowiskach o dużym natężeniu dźwięków
Adaptacja wzrokowa	Zmniejszona adaptacja percepcyjna, którą można interpretować jako zmniejszone wykorzystanie oczekiwania powtórzenia bodźca do poprawy rozróżniania bodźców	Trudności w interpretacji i dostosowaniu się do wizualnych wzorców społecznych
Reakcje źrenicy	Zmniejszona modulacja rozszerzenia źrenicy przez przewidywalność	Wskazuje na odmienne funkcjonowanie uwagowych mechanizmów predykcyjnych
Habituacja P1 i MMN	Zmniejszona habituacja P1 i zmniejszony MMN	Potencjalnie osłabione wczesne przetwarzanie sensoryczne
Skanowanie wzrokowe	Mniejsza optymalizacja wzorca skanowania oka podczas uczenia się i mniejsza stabilność ścieżki skanowania między prezentacjami	Wpływ na efektywność uczenia się wizualnego i społecznego

²³²⁴²⁵

Te wyniki sugerują specyficzne dla bodźca zmniejszenie neuronalnej habituacji do powtórzeń, co może wpływać na zdolność do przewidywania i adaptacji w różnych kontekstach. Ogólnie, grupa ASD wykazała ogólne niedostateczne wykorzystanie spontanicznych predykcyjnych procesów motorycznych oraz tendencję do uczenia się kojarzenia tylko jednego aspektu percepcyjnego złożonego sygnału predykcyjnego z jego przewidywaną możliwością uzyskania nagrody.²⁶

Ważnym celem dla przyszłych badań będzie lepsze zdefiniowanie i ograniczenie szerokiej ogólnej hipotezy dotyczącej mechanizmów predykcyjnych poprzez testowanie wielu typów przewidywań u tych samych osób. Pozwoli to lepiej zrozumieć, jak trudności predykcyjne mogą wpływać na długoterminowe wyniki u osób z ASD.²¹

Kolejne rozdziały

Zapraszamy do dalszego czytania naszego leksykonu.

Wybierz kolejny rozdział z menu poniżej, aby otworzyć nową podstronę kompedium wiedzy i uzyskać szczegółowe informację o leku, substancji lub chorobie.

Materiały źródłowe

#1
https://pmc.ncbi.nlm.nih.gov/articles/PMC6952468/
In most cases, autism spectrum disorder is a life-long condition, often severely affecting the quality of life of the patient and his/her family, but nowadays this diagnosis should not be considered a final sentence without appeal. […] Although even today the recovery from the autism spectrum is an unlikely possibility, a timely psycho-educational intervention can significantly improve the level of autonomy reached by the individual and therefore favorably modify the outcome. […] Some predictors of long-term outcome are known, primarily childhood intelligence quotient and early language/communication ability, but today this issue is still open. […] Community support and social integration may be very important in improving outcomes for individuals with autism spectrum disorder. […] An adequate and timely preparation of the working career of these individuals is fundamental for their future, and it should be done by choosing, as far as possible, suitable activities for them.
#2
https://pmc.ncbi.nlm.nih.gov/articles/PMC6952468/
For a child with a diagnosis of ASD, the recovery from the autism spectrum, that is the so called optimal outcome, is uncommon but not impossible. […] The recovery from the autism spectrum does not mean that the individual can certainly live in a condition of complete mental health and social adaptation. […] According to Magiati et al., childhood IQ and early language/communication (e.g. joint attention) ability resulted to be the most consistent predictors of later outcome, being positively correlated to better adaptive functioning, social skills, and communication. […] The possible effects of the gender variable on the adult outcome are still undetermined also because most of the studies include too few women. […] In most cases, autism is a life-long condition, often severely affecting the quality of life of the patient and his/her family, but nowadays this diagnosis should not be considered a final sentence without appeal. […] Today the issue of ASD early predictors of later outcome is still open. […] Regardless of the early predictors mentioned above, as underlined by Magiati et al., community support and social integration may be very important in improving outcomes for individuals with autism.
#3 Transformer-based deep learning ensemble framework predicts autism spectrum disorder using health administrative and birth registry data | Scientific Reports
https://www.nature.com/articles/s41598-025-90216-8
Early diagnosis and access to resources, support and therapy are critical for improving long-term outcomes for children with autism spectrum disorder (ASD). […] This study highlights the feasibility of employing machine learning models and routinely collected health data to systematically identify young children at high likelihood of developing ASD. […] The best-performing ensemble of Transformer models achieved an area under the receiver operating characteristic curve of 69.6% for predicting ASD diagnosis, a sensitivity of 70.9%, a specificity of 56.9%. […] The results of this work demonstrate feasibility and potential to identify young children with increased likelihood of developing ASD using a ML model applied to population-based and routinely collected data. […] Our models reported sensitivity of 70.9%, specificity of 56.9%, and AUROC of 69.6% suggest that our ensemble transformer model is a promising candidate for population-based ASD screening. Early identification through this method could facilitate comprehensive and timely assessment for ASD, ensuring prompt diagnosis and faster access to resources, support, or therapy.
#4
https://link.springer.com/article/10.1007/s10803-018-3509-x
We integrated multiple behavioural and developmental measures from multiple time-points using machine learning to improve early prediction of individual Autism Spectrum Disorder (ASD) outcome. […] Evidence suggests that the best prognosis for ASD currently lies in early targeted intervention aimed to improve later outcome by modifying emergent atypical developmental trajectories. […] Thus, individual prediction of later development of ASD as soon as early signs emerge could help to better target early intervention strategies. […] Prediction of autism may require a multi-measure approach. […] The aim of the present study was to investigate predictive longitudinal differences from 8 to 36 months between infants at low and high familial risk for autism with different developmental outcomes (typical, ASD, atypical).
#5 EEG Analytics for Early Detection of Autism Spectrum Disorder: A data-driven approach | Scientific Reports
https://www.nature.com/articles/s41598-018-24318-x
Autism spectrum disorder (ASD) is a complex and heterogeneous disorder, diagnosed on the basis of behavioral symptoms during the second year of life or later. […] Prediction of the clinical diagnostic outcome of ASD or not ASD was highly accurate when using EEG measurements from as early as 3 months of age. […] Prediction of ADOS calibrated severity scores for all infants in the study using only EEG data taken as early as 3 months of age was strongly correlated with the actual measured scores. […] This suggests that useful digital biomarkers might be extracted from EEG measurements. […] Because ASD is behaviorally and not biologically defined, a formal diagnosis of ASD before three years of age remains challenging. […] Reliable biomarkers that detect emerging ASD symptoms might be useful for developing appropriate early interventions.
#6 EEG Analytics for Early Detection of Autism Spectrum Disorder: A data-driven approach | Scientific Reports
https://www.nature.com/articles/s41598-018-24318-x
The severity of ASD symptoms, as measured by the Autism Diagnostic Observation Scale (ADOS), can also be predicted from EEG data taken as early as 3 months of age, with strong correlation to the real ADOS scores that the child has at three years of age. […] The predicted scores correlated relatively strongly with the actual CSS scores. […] In summary, the classification of the two primary groups, ASD and LRC was high at every age from 3 months to 36 months. […] The distance from the model classification hyperplane enabled an estimated ADOS calibrated severity score to be computed from EEG features alone as early as 3 months of age. […] The predicted severity scores were significantly correlated with actual scores using EEG measurements taken at 3 months of age and older.
#7 Identifying neuroanatomical and behavioral features for autism spectrum disorder diagnosis in children using machine learning | PLOS One
https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0269773
In contrast, it is important that neuroimaging techniques and measures supplement behavioral measures to provide objective metrics that allow us to identify more consistent ASD markers. […] The present study demonstrated exceptionally good performance (i.e., 100% ASD PPV and 100% class coverage) of the features identified by the CCEA. […] The selected CCEA features from the parsimonious second and third order models included volume, area, cortical thickness, and mean curvature in specific regions around the cingulate cortex, frontal cortex, and temporal-parietal junction areas as biomarkers for ASD. […] These findings highlight the heterogeneous and multi-facet characteristics of ASD itself. Thus, although it is more difficult to implement MRI among children with ASD, such findings support the idea that neuroanatomical measurements increase confidence in diagnosis. […] It also suggests that a good ASD prediction model should consider including both behavioral and neuroanatomical features to establish brain-behavior connections to advance our understanding of ASD.
#8 Identifying neuroanatomical and behavioral features for autism spectrum disorder diagnosis in children using machine learning | PLOS One
https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0269773
Autism spectrum disorder (ASD) is a neurodevelopmental disorder that can cause significant social, communication, and behavioral challenges. Diagnosis of ASD is complicated and there is an urgent need to identify ASD-associated biomarkers and features to help automate diagnostics and develop predictive ASD models. […] Study findings demonstrate how machine learning tools might help move the needle on improving diagnostic and predictive models of ASD. […] Building an automated diagnostic and predictive model of ASD is timely as many studies have adopted machine learning approaches to identify significant biomarkers that include both behavioral and biological features. […] Although behavioral outcome measures remain the gold standard for ASD diagnosis and assessment with solid reliability and validity, there are some limitations when using behavioral measures to classify participants.
#9 Classification and adaptive behavior prediction of children with autism spectrum disorder based upon multivariate data analysis of markers of oxidative stress and DNA methylation | PLOS Computational Biology
https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1005385
The number of diagnosed cases of Autism Spectrum Disorders (ASD) has increased dramatically over the last four decades; however, there is still considerable debate regarding the underlying pathophysiology of ASD. […] Furthermore, kernel partial least squares is used to predict adaptive behavior, as measured by the Vineland Adaptive Behavior Composite score, where measurement of five metabolites of the pathways was sufficient to predict the Vineland score with an R2 of 0.45 after cross-validation. […] The models developed herein have much stronger predictability than any existing approaches from the scientific literature. […] The presented work makes use of these advanced modeling and statistical analysis tools to examine metabolite data of the FOCM/TS pathway in neurotypical participants (NEU) and those on the autism spectrum (ASD) as well as their siblings (SIB).
#10 Classification and adaptive behavior prediction of children with autism spectrum disorder based upon multivariate data analysis of markers of oxidative stress and DNA methylation | PLOS Computational Biology
https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1005385
This work not only analyzes the largest data set of its kind of these pathways in the scientific literature, but also results in the strongest evidence to date of the association of FOCM/TS dysfunction with ASD. […] The multivariate statistical analysis presented herein provides unprecedented quantitative classification results for separating participants into ASD and NEU cohorts based solely on biochemical data. […] Although FOCM/TS dysfunction likely does not completely detail ASD etiology, this biochemical analysis approaches the accuracy needed for a clinical diagnostic tool. […] Nonlinear regression analysis of FOCM/TS metabolites enables prediction of key FOCM/TS metabolites that are associated with adaptive behavior in ASD. […] As it is generally acknowledged that an earlier diagnosis can lead to a more favorable outcome in the long run, the identification of biomarkers which can be used in conjunction with psychometric measurements would be of significant importance for ASD diagnosis.
#11 Childhood neurodivergent traits, inflammation and chronic disabling fatigue in adolescence: a longitudinal caseâcontrol study | BMJ Open
https://bmjopen.bmj.com/content/14/7/e084203
Children with neurodivergent traits at ages 7 and 9 years were two times as likely to experience chronic disabling fatigue at age 18 years (likely ADHD OR=2.18 (95% CI=1.33 to 3.56); p=0.002; likely autism OR=1.78 (95% CI=1.17 to 2.72); p=0.004). […] Our results indicate higher risk of chronic disabling fatigue for children with neurodivergent traits, likely linked to higher levels of inflammation. […] Children who showed an indication of autism at age 7 years were almost two times as likely (OR=1.78 (95% CI=1.17 to 2.72; p=0.008)) to experience chronic disabling fatigue at age 18 years. […] Children who scored above threshold for ADHD at age 9 years were two times as likely (OR=2.18 (95% CI=1.33 to 3.56; p=0.002)) to experience chronic disabling fatigue at age 18 years. […] IL-6 levels at age 9 years were significantly associated with a higher likelihood of chronic disabling fatigue at age 18 years (OR=1.54 (95% CI=1.13 to 2.11); p=0.006).
#12 Childhood neurodivergent traits, inflammation and chronic disabling fatigue in adolescence: a longitudinal caseâcontrol study | BMJ Open
https://bmjopen.bmj.com/content/14/7/e084203
This indicates a 1.5 times higher likelihood of experiencing chronic disabling fatigue at age 18 years per unit increase of IL-6 levels at age 9 years. […] Both mediation models showed that continuous scores of neurodivergent traits (SCDC at age 7 years/SDQ at age 9 years) and IL-6 at age 9 years were significantly associated with presence of chronic disabling fatigue at age 18 years. […] We found a link between neurodivergent traits in childhood and increased frequency of experiencing chronic disabling fatigue in adolescence, mediated by levels of childhood inflammation.
#13 Distinct patterns of cognitive outcome in young children with autism spectrum disorder receiving the Early Start Denver Model | medRxiv
https://www.medrxiv.org/content/10.1101/2021.04.05.21254908v4.full-text
Evidence-based, early intervention significantly improves developmental outcome in young children with autism. […] It is established that starting intervention as early as possible results in better developmental outcomes. […] However, they had two very different patterns of response to treatment. […] Further analyses showed that children who ended up having an optimal two-year treatment outcome (OptR) were characterized by higher adaptive functioning at baseline combined with rapid developmental improvement during the first 6 months of intervention. […] Inversely, less significant progress by the sixth month of intervention was associated with a less optimal response to treatment (MinR). […] Despite important efforts to better understand variables affecting treatment response, it is currently not possible to predict to what extent a child will respond to intervention based on his or her behavioral characteristics at intake.
#14 Distinct patterns of cognitive outcome in young children with autism spectrum disorder receiving the Early Start Denver Model | medRxiv
https://www.medrxiv.org/content/10.1101/2021.04.05.21254908v4.full-text
Yet, the identification of characteristics that promote the response to a specific intervention could in the future be of great help to the clinical practice when referring a child to one EI or another. […] Great interindividual heterogeneity in response to intervention has been identified as a major limitation to this quest. […] To achieve this, we used a k-means cluster analysis (CA) approach with cognitive abilities at baseline and cognitive rates of change over time as variables. […] The cluster analysis suggested three main patterns of cognitive trajectories over time. […] Our results suggest that the outcome after two years of intervention for children with LC at baseline can be predicted by the end of the six first months of intervention with high accuracy. […] Overall, our results advocate for a more systematic use of subgroup phenotyping that includes longitudinal parameters when assessing the efficacy of an early intensive intervention, to better decipher the great heterogeneity of behavioral dynamics in treatment response.
#15 Prognostic factors and predictors of outcome in children with autism spectrum disorder: the role of the paediatrician | Italian Journal of Pediatrics | Full Text
https://ijponline.biomedcentral.com/articles/10.1186/s13052-021-01008-5
The data of this study highlight the importance of considering, during assessment, intelligence quotient, play, emotional contagion, and understanding of the intentions of others as potential prognostic predictors that can become useful tools for clinicians and paediatricians. […] In recent years, research inquired into the presence of any predictive factors of optimal outcome (OO), defined as a positive trajectory in children with a prior diagnosis of ASD who, following a therapeutic path, showed not only a significant reduction in the core symptoms of autism but also a positive evolution of social, adaptive, affective, and relational skills. […] The most relevant result that emerged from the research is that the two groups instead differed from the intake (T0), in all socio-cognitive variables measured; indeed the children in the ASD-OO group initially had a higher IQ than those in the ASD-ASD group, lower severity of autistic symptoms, greater understanding of intentions, more emotional contagion, and better quality of play.
#16 Prognostic factors and predictors of outcome in children with autism spectrum disorder: the role of the paediatrician | Italian Journal of Pediatrics | Full Text
https://ijponline.biomedcentral.com/articles/10.1186/s13052-021-01008-5
These data seem to be in line with the results of Sutera and colleagues, who studied children who no longer had a diagnosis of autism after 2 years of treatment and found adequate profiles in adaptive behaviour, visual reception, motor skills, language and IQ. […] The results suggest that, taken individually, none of the factors considered are predictive of OO. The mere presence of one or two predictive indicators at the time of diagnosis is related to a rare possibility that the child may no longer show autistic symptoms after at least 2 years of therapy. […] To have a good chance (57%) of reaching an OO, at least 3 predictive indicators must be present. Only children in whom the coexistence of all 4 predictive factors was identified at the time of diagnosis showed OO in 100% of cases.
#17 Use of machine learning methods in prediction of short-term outcome in autism spectrum disorders
https://psychiatry-psychopharmacology.com/en/use-of-machine-learning-methods-in-prediction-of-short-term-outcome-in-autism-spectrum-disorders-13366
Studies show partial improvements in some core symptoms of Autism Spectrum Disorders (ASD) in time. […] We aimed to examine the predictors of outcome with machine learning methods, which are novel computational methods including statistical estimation, information theories and mathematical learning automatically discovering useful patterns in large amounts of data. […] The significant proportion of the cases showed significant improvement in ASD symptoms (39.7% in T1, 60.7% in T2; 77.8% in T3). […] Our machine learning model in T3 showed that diagnosis group affected the prognosis. […] In accordance with other studies we found early age diagnosis, early start rehabilitation, the severity of ASD symptoms at baseline assessment predicted outcome. […] The machine learning models reveal several others are more significant (e.g. parental age, birth weight, sociodemographic variables, etc.) in terms of prognostic information and also planning treatment of children with ASD.
#18 2015 International Meeting for Autism Research: Parents’ Concerns Predict a Later Autism Spectrum Disorder Outcome: A Prospective Study of High-Risk Siblings from 6 to 36 Months
https://insar.confex.com/imfar/2015/webprogram/Paper20060.html
20060 Parents’ Concerns Predict a Later Autism Spectrum Disorder Outcome: A Prospective Study of High-Risk Siblings from 6 to 36 Months […] The results suggest that the presence or absence of parental concerns provides valuable predictive information to aid in differentiating between HR infants who will and will not receive an ASD diagnosis. […] The sequencing of parent concerns reflects the developmental course of ASD, with early concerns mirroring the prodrome of ASD, and later concerns reflecting the core domains of the disorder.
#19 Prognostic factors and predictors of outcome in children with autism spectrum disorder: the role of the paediatrician | Italian Journal of Pediatrics | Full Text
https://ijponline.biomedcentral.com/articles/10.1186/s13052-021-01008-5
The possibility of early identification of indicators capable of guiding therapeutic paths and various prognostic opportunities represents a significant enhancement of the role of the paediatrician in providing appropriate diagnoses, the correct use of specialist services, and the ability to promptly modify potentially worsening evolutions and thus to ensure the sustainability of the health system.
#20
https://link.springer.com/article/10.1007/s10803-018-3509-x
Our main findings were: (1) clear but small size group effects for Mullen and Vineland scores between LR, HR-ASD, HR-Atypical and HR-Typical outcome groups at 8 and 14 months, and larger group effects at 24 and 36 months; (2) individual prediction of ASD from non-ASD outcome at chance level at 8 months, but at moderate and above chance level (AUC=71.3%) at 14 months; (3) individual prediction of broader atypical development from typical outcome with moderate AUC at 8 and 14 months (approximately 70%); (4) added value of combined measures for prediction of broader atypical from typical outcome, but not for prediction of ASD from non-ASD outcome; and (5) added value of combined time points to prediction for some, but not all measures. […] However, prediction was still not different from chance level, suggesting that prediction of ASD probably depends more on the level of development and functioning rather than the rate of change. […] Despite clear group differences at various levels, individual prediction of ASD using different measures at different time points was still far from optimal. […] Further work is needed to allow a more accurate prediction of the minority class, for instance including data more specific to ASD.
#21 Prediction in Autism Spectrum Disorder: A Systematic Review of Empirical Evidence
https://pmc.ncbi.nlm.nih.gov/articles/PMC8043993/
According to a recent influential proposal, several phenotypic features of autism spectrum disorder (ASD) may be accounted for by differences in predictive skills between individuals with ASD and neurotypical individuals. […] These studies suggest that ASD may be associated with differences in the learning of predictive pairings (e.g., learning cause and effect) and in low-level predictive processing in the brain (e.g., processing repeated sounds). […] An important goal for future research will be to better define and constrain the broad domain-general hypothesis by testing multiple types of prediction within the same individuals. […] The ASD diagnosis is shaped by the pragmatic needs of individuals spanning a wide range of genotypes and phenotypes, their families, and the medical professionals who serve them.
#22 Prediction learning in adults with autism and its molecular correlates | Molecular Autism | Full Text
https://molecularautism.biomedcentral.com/articles/10.1186/s13229-021-00470-6
Autistic adults appeared to have intact abilities to make predictions in this task, in contrast with the Bayesian hypotheses of ASD. […] Yet, higher ratios of Glx/GABA+ in a frontal region were associated with decreased predictive abilities, and ASD individuals tended to have more Glx in this region. This neurobiological difference might contribute to suboptimal predictive mechanisms in ASD in certain contexts. […] Overall, these behavioural studies tend to indicate that priors can be learned in ASD, but maybe with a different dynamic, more inflexibility or with decreased abilities in people with ASD or high autistic traits. […] As higher glutamate/GABA ratios in the IFG were associated with worse predictive abilities and that autistic individuals had more glutamate in this region, we can hypothesize the encoding of priors and prediction errors might be altered in the IFG in ASD.
#23 Prediction in Autism Spectrum Disorder: A Systematic Review of Empirical Evidence
https://pmc.ncbi.nlm.nih.gov/articles/PMC8043993/
Overall, these results suggest widespread but stimulus-specific reduction in neural habituation to repetition. […] These findings lay the groundwork for research that can improve our understanding of ASD and inform interventions. […] The ASD group demonstrated reduced awareness of prediction accompanied by reduced prediction-error-related frontal BOLD activity when predicted reward is experienced by others. […] The ASD group showed a reduced P3 response to task-irrelevant deviants but an increased response to task-relevant deviants. […] The ASD group displayed reduced utilization of social cues to enhance visual discrimination. […] The ASD group showed fewer action-anticipatory saccades. […] The ASD group demonstrated impaired judgments of arrival time, but only for straight roads with limited visual self-motion cues.
#24 Prediction in Autism Spectrum Disorder: A Systematic Review of Empirical Evidence
https://pmc.ncbi.nlm.nih.gov/articles/PMC8043993/
The ASD group demonstrated deficits in neural and response time habituation. […] The ASD group showed reduced attentional (gaze) habituation. […] The ASD group demonstrated reduced repetition suppression for faces, but not shapes. […] The ASD group showed increased frequency-following subcortical response to repeated sounds, suggesting reduced attenuation by prediction. […] The ASD group did not demonstrate a group-level difference in performance or in adapting learning rate to volatility. […] The ASD group did not differ from NT group in performance of anticipatory saccades based on kinematic cues. […] The ASD group did not significantly differ from NT group in precision of extrapolating linear movement or accumulation. […] The ASD group showed reduced perceptual adaptation, which can be interpreted as reduced use of the expectation of stimulus repetition to improve stimulus discrimination.
#25 Prediction in Autism Spectrum Disorder: A Systematic Review of Empirical Evidence
https://pmc.ncbi.nlm.nih.gov/articles/PMC8043993/
The ASD group showed reduced modulation of pupil dilation by predictability. […] The ASD group demonstrated reduced P1 habituation and decreased MMN. […] The ASD group showed less optimization of eye scan pattern over learning and less scan path stability across presentations. […] The ASD group demonstrated use of temporal regularities to make predictions more similar to NT adults than age-matched NT controls. […] The ASD group demonstrated reduced use of statistical information to inform anticipatory gaze. […] The ASD group showed a trend toward a less suppressed visual cortex response on seeing expected task-irrelevant pairings, indicating reduced use of task-irrelevant predictive information. […] The ASD group showed increased activity in various frontostriatal regions in response to task-relevant reward prediction errors, indicating increased use of task-relevant predictive information.
#26 Prediction in Autism Spectrum Disorder: A Systematic Review of Empirical Evidence
https://pmc.ncbi.nlm.nih.gov/articles/PMC8043993/
The ASD group demonstrated a general underutilization of spontaneous predictive motor processes. […] The ASD group showed a tendency to learn to associate only one perceptual aspect of a complex predictive cue with its predicted affordance of a reward. […] The ASD group demonstrated reduced awareness of prediction accompanied by reduced prediction-error-related frontal BOLD activity when predicted reward is experienced by others.