Bases de données de santé et identification précoce du trouble du spectre autistique : une revue de la portéeHealth databases and early identification of autism spectrum disorder: a scoping review.
Ce que l’article étudie
Troubles et conditions neurodéveloppementales
Confiance élevéeConditions associées et santé globale
Confiance élevéePopulation et étape de vie
Confiance élevéeContextes de vie et facteurs environnementaux
Confiance élevéeÉvaluation, intervention et accompagnement
Confiance élevéeType et statut de la publication
Confiance élevéeLimites méthodologiques repérées
Confiance élevéeScoping review on health databases for early identification of ASD.
- 37 études incluses, majoritairement issues de pays à haut revenu, utilisant des dossiers médicaux électroniques, des bases de données automatisées ou des enquêtes nationales.
- Les méthodes d'analyse incluent l'apprentissage automatique (n=14), le traitement du langage naturel (n=7), la modélisation prédictive (n=6) et les algorithmes de codes diagnostiques (n=7).
- Les prédicteurs précoces courants sont le sexe masculin, l'âge maternel avancé, l'origine immigrée, le faible statut socioéconomique, les complications périnatales et les retards de langage ou moteurs.
Scoping review mapping evidence on using health databases for early ASD detection, relevant for clinicians and researchers.
La majorité des études proviennent de pays à haut revenu, limitant la généralisation aux contextes à faibles ressources. Les défis liés à la standardisation des données, aux considérations éthiques et à la faisabilité restent des obstacles majeurs à l'application clinique. Seule une base de données était accessible publiquement, ce qui limite la reproductibilité des recherches.
Cette revue de la portée examine l'utilisation des bases de données de santé pour l'identification précoce du trouble du spectre autistique (TSA) dans diverses populations. Trente-sept études ont été incluses, principalement issues de pays à haut revenu. Les sources de données comprenaient des dossiers médicaux électroniques, des bases de données automatisées et des enquêtes nationales. Les méthodes analytiques incluaient l'apprentissage automatique, le traitement du langage naturel, la modélisation prédictive et les algorithmes de codes diagnostiques. Les prédicteurs précoces courants étaient le sexe masculin, l'âge maternel avancé, l'origine immigrée, le faible statut socioéconomique, les complications périnatales et les retards de langage ou moteurs. Les comorbidités rapportées incluaient l'épilepsie, le TDAH, les troubles anxieux/dépressifs et les troubles sensoriels. Les retards diagnostiques étaient plus marqués chez les groupes à faible revenu et sous-représentés. L'application clinique est limitée par des problèmes de standardisation, d'éthique, de faisabilité et d'accès aux données.
37 études incluses, majoritairement issues de pays à haut revenu, utilisant des dossiers médicaux électroniques, des bases de données automatisées ou des enquêtes nationales. Les méthodes d'analyse incluent l'apprentissage automatique (n=14), le traitement du langage naturel (n=7), la modélisation prédictive (n=6) et les algorithmes de codes diagnostiques (n=7). Les prédicteurs précoces courants sont le sexe masculin, l'âge maternel avancé, l'origine immigrée, le faible statut socioéconomique, les complications périnatales et les retards de langage ou moteurs. Les comorbidités rapportées incluent l'épilepsie, le TDAH, les troubles anxieux/dépressifs et les troubles sensoriels. Les retards diagnostiques sont plus marqués chez les groupes à faible revenu et sous-représentés, malgré des préoccupations parentales précoces.
Les bases de données de santé peuvent soutenir l'identification précoce du TSA, mais leur application clinique est limitée par des problèmes de standardisation, d'éthique, de faisabilité et d'accès aux données. Les cliniciens doivent être conscients que les algorithmes basés sur les dossiers médicaux électroniques peuvent reproduire des biais existants dans l'accès aux soins. L'utilisation de l'apprentissage automatique et du traitement du langage naturel dans les bases de données pourrait améliorer la détection précoce, mais nécessite une validation dans des populations diverses.
Revue