Classification multiaxialeCombinez un trouble, une fonction, une population, un contexte ou une intervention.
Troubles et conditions neurodéveloppementales2
Profils et populations d’intérêt1
Fonctions et dimensions cliniques9
Population et étape de vie2
Contextes de vie et facteurs environnementaux1
Évaluation, intervention et accompagnement4
Type et statut de la publication5
Limites méthodologiques repérées3
Fiabilité source
Effacer
Parole et phonologieSource tier 1

Diagnostic de l'hypernasalité assisté par intelligence artificielle à partir d'échantillons de parole évalués par le CAPS-A-AM dans la dysfonction vélopharyngée pédiatriqueArtificial Intelligence-Based Hypernasality Diagnosis Using CAPS-A-AM Rated Speech Samples in Pediatric Velopharyngeal Dysfunction.

Parole et phonologieLangage expressifAuditionEnfanceAdolescence
Non déterminableRobustesse méthodologiquePubMed — neurosciences cognitives developpementalesSourceDOIRéférence disponible

Cette étude prospective monocentrique a développé un algorithme préliminaire de détection de l'hypernasalité par apprentissage automatique à partir de spectrogrammes mel de voyelles hautes (/i/ et /u/) extraits de voyelles soutenues, de mots isolés et de phrases, chez 40 enfants âgés de 2 à 17 ans présentant une dysfonction vélopharyngée, des conditions asso...

Autisme / TSASource tier 1

Un cadre hybride d'apprentissage profond pour le dépistage précoce de l'autismeA hybrid deep learning framework for early autism screening.

Autisme / TSAEnfanceRepérage et dépistageInstrument d’évaluationIntelligence artificielle
Non déterminableRobustesse méthodologiquePubMed — TSA diagnostic et outilsSourceDOIRéférence disponible

Cette étude propose un cadre hybride d'apprentissage profond orienté fiabilité pour le pré-dépistage précoce du trouble du spectre de l'autisme (TSA). Le système combine deux architectures indépendantes : un modèle ResNet18 optimisé par validation croisée à 10 plis sur des images périoculaires statiques, et un ensemble multi-CNN de classification faciale ass...

Autisme / TSASource tier 1

DynaSPARC : un paradigme P300 dynamique en essai unique pour évaluer la capacité de réponse motrice dans le trouble du spectre de l'autismeDynaSPARC: a dynamic single-trial P300 paradigm for assessing motor response capability in autism spectrum disorder.

Autisme / TSAGroupe témoinAttentionVitesse de traitementMotricité globale
Non déterminableRobustesse méthodologiquePubMed — TSA diagnostic et outilsSourceDOIRéférence disponible

Cette étude présente DynaSPARC, un cadre d'analyse EEG de la composante P300 en essai unique, conçu pour évaluer la capacité de réponse motrice chez les enfants avec trouble du spectre de l'autisme (TSA). Les méthodes classiques, à fenêtre temporelle fixe ou par moyennage d'essais, peinent à gérer la variabilité essai par essai et l'instabilité temporelle de...

TDAHSource tier 1

Démasquer les fuites de données dans la littérature EEG-TDAH : un cadre de pointe rigoureux et interprétable (DSAEN)Unmasking data leakage in EEG-ADHD literature: a rigorous, interpretable SOTA framework (DSAEN).

TDAHAttentionEnfanceInstrument d’évaluationÉvaluation diagnostique
Non déterminableRobustesse méthodologiquePubMed — neurosciences cognitives developpementalesSourceDOIRéférence disponible

Cette étude méthodologique critique les fuites de données par époque dans les modèles EEG-IA pour le diagnostic du TDAH, montrant qu'elles surestiment les performances. Les auteurs proposent DSAEN, un réseau à double flux intégrant des tenseurs EEG 3D et des caractéristiques neurophysiologiques, validé par validation croisée sujet par sujet. Sur un jeu de do...

TDAHSource tier 1

Diagnostic du TDAH chez l'enfant à partir de signaux EEG utilisant des caractéristiques de modulation d'amplitudeDiagnosis of ADHD in children from EEG signals using amplitude modulation features.

TDAHEnfanceÉvaluation diagnostiqueInstrument d’évaluationÉtude de performance diagnostique
Non déterminableRobustesse méthodologiquePubMed — neurosciences cognitives developpementalesSourceDOIRéférence disponible

Cette étude propose une nouvelle méthode pour diagnostiquer le trouble déficitaire de l'attention avec hyperactivité (TDAH) chez l'enfant à partir de signaux EEG, en exploitant des caractéristiques de modulation d'amplitude (AM). Sur un jeu de données public de 61 enfants TDAH et 60 témoins sains, les signaux ont été décomposés en cinq bandes de fréquences p...

TDAHSource tier 1

Validité clinique du test de performance continue intégré visuel et auditif pour l'identification du trouble du déficit de l'attention avec ou sans hyperactivitéClinical validity of Integrated Visual and Auditory Continuous Performance Test in identifying attention-deficit/hyperactivity disorder.

TDAHGroupe témoinAttentionInhibitionFonctions exécutives
Non déterminableRobustesse méthodologiquePubMed — neurosciences cognitives developpementalesSourceDOIRéférence disponible

Cette étude évalue la validité discriminante du IVA-2 CPT, un test informatisé mesurant l'attention visuelle et auditive et le contrôle des réponses, pour identifier le TDAH chez l'enfant. 152 enfants avec TDAH et 72 contrôles ont été recrutés. Les résultats montrent que les enfants TDAH ont des scores significativement plus bas aux quotients d'attention et...

TDAHSource tier 1

Analyse électroencéphalographique explicable par intelligence artificielle pour la détection du trouble déficitaire de l'attention avec hyperactivité à l'aide d'une sélection de caractéristiques basée sur la théorie de l'informationExplainable artificial intelligence-driven visual task-specific electroencephalogram analysis for attention deficit hyperactivity disorder detection using information-theoretic feature selection.

TDAHEnfanceÉvaluation diagnostiqueInstrument d’évaluationÉtude de performance diagnostique
Non déterminableRobustesse méthodologiquePubMed — neurosciences cognitives developpementalesSourceDOIRéférence disponible

Cet article propose une approche d'IA explicable pour diagnostiquer le TDAH à partir d'EEG. Il calcule l'entropie, l'information mutuelle et l'entropie de transfert sur des signaux EEG (système 10-20), agrège les caractéristiques par lobe, et applique des modèles de machine learning. Le SVM atteint 92% de précision. Les explications (LIME, SHAP, PDP) montren...