Investigating phenotypic heterogeneity in children with autism spectrum disorder: a factor mixture modeling approach
Notice bibliographique
Résumé
BACKGROUND: Autism spectrum disorder (ASD) is characterized by notable phenotypic heterogeneity, which is often viewed as an obstacle to the study of its etiology, diagnosis, treatment, and prognosis. On the basis of empirical evidence, instead of three binary categories, the upcoming edition of the DSM 5 will use two dimensions - social communication deficits (SCD) and fixated interests and repetitive behaviors (FIRB) - for the ASD diagnostic criteria. Building on this proposed DSM 5 model, it would be useful to consider whether empirical data on the SCD and FIRB dimensions can be used within the novel methodological framework of Factor Mixture Modeling (FMM) to stratify children with ASD into more homogeneous subgroups. METHODS: The study sample consisted of 391 newly diagnosed children (mean age 38.3 months; 330 males) with ASD. To derive subgroups, data from the Autism Diagnostic Interview-Revised indexing SCD and FIRB were used in FMM; FMM allows the examination of continuous dimensions and latent classes (i.e., categories) using both factor analysis (FA) and latent class analysis (LCA) as part of a single analytic framework. RESULTS: Competing LCA, FA, and FMM models were fit to the data. On the basis of a set of goodness-of-fit criteria, a 'two-factor/three-class' factor mixture model provided the overall best fit to the data. This model describes ASD using three subgroups/classes (Class 1: 34%, Class 2: 10%, Class 3: 56% of the sample) based on differential severity gradients on the SCD and FIRB symptom dimensions. In addition to having different symptom severity levels, children from these subgroups were diagnosed at different ages and were functioning at different adaptive, language, and cognitive levels. CONCLUSIONS: Study findings suggest that the two symptom dimensions of SCD and FIRB proposed for the DSM 5 can be used in FMM to stratify children with ASD empirically into three relatively homogeneous subgroups.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,005 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».