Approches d'apprentissage automatique pour identifier les troubles neurodéveloppementaux à partir des données des réseaux sociaux : une revue systématique
Machine learning approaches to identifying neurodevelopmental disorders using social media data: a systematic review.
L’essentiel
Cette revue systématique examine 19 études utilisant l'intelligence artificielle et l'apprentissage automatique pour analyser les données des réseaux sociaux (Reddit, Twitter, YouTube, Facebook) afin de détecter les troubles neurodéveloppementaux, principalement le trouble du spectre autistique (TSA) et le trouble déficitaire de l'attention avec hyperactivité (TDAH). Les modèles ont atteint des performances modérées à élevées (F1-score de 0,48 à 0,89), les modèles vidéo se montrant particulièrement prometteurs pour les marqueurs comportementaux non verbaux. Cependant, des limites méthodologiques, de petits échantillons et des préoccupations éthiques subsistent. Les auteurs concluent que ces outils pourraient compléter le diagnostic traditionnel, mais des recherches supplémentaires sont nécessaires.
- Les modèles d'apprentissage automatique analysant les données des réseaux sociaux atteignent des performances modérées à élevées pour détecter les TSA et le TDAH (F1-score de 0,48 à 0,89).
- Les données vidéo se sont révélées particulièrement prometteuses pour identifier les marqueurs comportementaux non verbaux.
- La plupart des études se concentrent sur le TSA et le TDAH, avec peu de recherches sur d'autres troubles neurodéveloppementaux.
Le texte intégral n’était pas accessible ; aucune faiblesse méthodologique ne peut être déduite de cette absence.
Comprendre l’analyse ↓Analyse du résumé uniquement. Confiance faible dans les informations extraites.
Voir les sources ↓Synthèse détaillée
Synthèse
Cette revue systématique examine 19 études utilisant l'intelligence artificielle et l'apprentissage automatique pour analyser les données des réseaux sociaux (Reddit, Twitter, YouTube, Facebook) afin de détecter les troubles neurodéveloppementaux, principalement le trouble du spectre autistique (TSA) et le trouble déficitaire de l'attention avec hyperactivité (TDAH). Les modèles ont atteint des performances modérées à élevées (F1-score de 0,48 à 0,89), les modèles vidéo se montrant particulièrement prometteurs pour les marqueurs comportementaux non verbaux. Cependant, des limites méthodologiques, de petits échantillons et des préoccupations éthiques subsistent. Les auteurs concluent que ces outils pourraient compléter le diagnostic traditionnel, mais des recherches supplémentaires sont nécessaires.
Résultats principaux
Les modèles d'apprentissage automatique analysant les données des réseaux sociaux atteignent des performances modérées à élevées pour détecter les TSA et le TDAH (F1-score de 0,48 à 0,89). Les données vidéo se sont révélées particulièrement prometteuses pour identifier les marqueurs comportementaux non verbaux. La plupart des études se concentrent sur le TSA et le TDAH, avec peu de recherches sur d'autres troubles neurodéveloppementaux. L'hétérogénéité méthodologique, la petite taille des échantillons et les défis éthiques constituent des limites importantes.
Repères pour la pratique
Ces outils pourraient compléter les méthodes diagnostiques traditionnelles en offrant un dépistage non invasif et à grande échelle. Ils pourraient faciliter un repérage précoce des troubles neurodéveloppementaux via l'analyse des contenus en ligne.
Limites et précautions
Revue systématique récente sur l'utilisation des données des réseaux sociaux pour le dépistage des troubles neurodéveloppementaux, avec un accent principal sur le TSA et le TDAH. Pertinence modérée à élevée pour la veille clinique. Hétérogénéité méthodologique entre les études, rendant les comparaisons difficiles. Échantillons de petite taille et potentiels biais de sélection. Préoccupations éthiques concernant la confidentialité des données et la validité des données issues des réseaux sociaux.
Analyse méthodologique
Non déterminable — Le texte intégral n’était pas accessible ; aucune faiblesse méthodologique ne peut être déduite de cette absence.
Le texte intégral ouvert n’était pas accessible. Cela rend la robustesse non déterminable : l’absence d’information n’est pas interprétée comme une faiblesse de l’étude.
Une anomalie documentaire ou méthodologique a été détectée. L’article reste disponible et doit être interprété avec prudence.
Examiner les critères point par point
La revue systématique a inclus 19 études utilisant des méthodes d'IA ou de ML pour analyser des données de médias sociaux (Reddit, Twitter, YouTube, Facebook) afin de détecter des troubles neurodéveloppementaux, principalement le trouble du spectre autistique (TSA) et le trouble déficitaire de l'attention avec hyperactivité (TDAH). Les résultats rapportés dans le résumé indiquent que les modèles de ML ont atteint des performances de classification modérées à élevées, avec des scores F1 allant d'environ 0,48 à 0,89, selon le type de données et le trouble. Les modèles basés sur la vidéo ont montré un potentiel particulier pour identifier les marqueurs comportementaux non verbaux. Cependant, le résumé ne fournit pas de détails sur les tailles d'échantillon, les durées de suivi ou les mesures d'incertitude pour chaque étude. De plus, il mentionne des limites telles que l'hétérogénéité méthodologique, les petites tailles d'échantillon et les défis éthiques (validité des données, biais, confidentialité). L'analyse NeuroWatch est automatisée et basée uniquement sur le résumé ; par conséquent, des informations telles que l'existence d'un protocole préenregistré, l'évaluation du risque de biais, les méthodes de synthèse détaillées, les financements et les conflits d'intérêts ne sont pas rapportées dans la source analysée. La robustesse de la revue ne peut pas être déterminée à partir du résumé seul, et une analyse du texte intégral serait nécessaire pour une évaluation plus approfondie.
protocolNon déterminable
Le résumé ne mentionne pas l'existence d'un protocole d'examen systématique préalablement enregistré ou publié.
L’information nécessaire n’est pas rapportée dans la source analysée.risk of biasNon déterminable
Le résumé ne mentionne aucune évaluation du risque de biais des études incluses.
L’information nécessaire n’est pas rapportée dans la source analysée.search strategyFavorable
Une recherche exhaustive a été effectuée dans cinq bases de données (PubMed, Scopus, Web of Science, IEEE Xplore et ACM Digital Library) depuis leur création jusqu'en juillet 2025.
Un élément méthodologique adéquat est explicitement documenté.study selectionFavorable
Les critères d'inclusion sont clairement définis : les études devaient utiliser des méthodes d'IA ou de ML pour analyser des données de médias sociaux afin de détecter les troubles neurodéveloppementaux. Dix-neuf études ont été incluses.
Un élément méthodologique adéquat est explicitement documenté.synthesis methodPoint de vigilance
La synthèse est descriptive, rapportant les caractéristiques des études et les performances des modèles, mais le résumé ne décrit pas de méthode de synthèse quantitative (méta-analyse) ni de méthode de synthèse qualitative structurée. De plus, il mentionne une hétérogénéité méthodologique et de petites tailles d'échantillon comme limitations.
Une limitation méthodologique est explicitement documentée.Cette analyse est produite automatiquement par une IA à partir des sources indiquées, puis l’appréciation est calculée avec des règles versionnées (scientific_analysis_v2). Elle ne constitue ni une validation par un professionnel ni une recommandation clinique. Consulter la méthodologie.
Classification détaillée
Informations sur l’article
- Publication
- Revue systématique
- Source
- PubMed — TSA diagnostic et outils
- Date
- 07 mars 2026
- Langue
- Anglais
- Accès
- abstract only
- Licence
- Non déterminée