MétaCan
Menu
Retour à la cohorte
Enregistrement W4283577121 · doi:10.1186/s13229-022-00503-8

Infants later diagnosed with autism have lower canonical babbling ratios in the first year of life

2022· article· en· W4283577121 sur OpenAlexaff
Lisa Yankowitz, Victoria Petrulla, Samantha Plate, Birkan Tunç, W. Spencer Guthrie, Shoba S. Meera, Kimberly Tena, Juhi Pandey, Meghan R. Swanson, J. R. Pruett, Meredith Cola, Alison Russell, Natasha Marrus, Heather C. Hazlett, Kelly N. Botteron, John N. Constantino, Stephen R. Dager, Annette Estes, Lonnie Zwaigenbaum, Joseph Piven, Robert T. Schultz, Julia Parish‐Morris

Notice bibliographique

RevueMolecular Autism · 2022
Typearticle
Langueen
DomaineNeuroscience
ThématiqueAutism Spectrum Disorder Research
Établissements canadiensUniversity of Alberta
Organismes subventionnairesEunice Kennedy Shriver National Institute of Child Health and Human DevelopmentNational Institute of Child Health and Human DevelopmentAutism Science FoundationNational Institute on Deafness and Other Communication DisordersNational Institute of Mental HealthSimons Foundation
Mots-clésBabblingAutismAutism spectrum disorderPsychologyAudiologyMedicinePediatricsDevelopmental psychologyLinguistics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Canonical babbling-producing syllables with a mature consonant, full vowel, and smooth transition-is an important developmental milestone that typically occurs in the first year of life. Some studies indicate delayed or reduced canonical babbling in infants at high familial likelihood for autism spectrum disorder (ASD) or who later receive an ASD diagnosis, but evidence is mixed. More refined characterization of babbling in the first year of life in infants with high likelihood for ASD is needed. METHODS: Vocalizations produced at 6 and 12 months by infants (n = 267) taking part in a longitudinal study were coded for canonical and non-canonical syllables. Infants were categorized as low familial likelihood (LL), high familial likelihood diagnosed with ASD at 24 months (HL-ASD) or not diagnosed (HL-Neg). Language delay was assessed based on 24-month expressive and receptive language scores. Canonical babble ratio (CBR) was calculated by dividing the number of canonical syllables by the number of total syllables. Generalized linear (mixed) models were used to assess the relationship between group membership and CBR, controlling for site, sex, and maternal education. Logistic regression was used to assess whether canonical babbling ratios at 6 and 12 months predict 24-month diagnostic outcome. RESULTS: No diagnostic group differences in CBR were detected at 6 months, but HL-ASD infants produced significantly lower CBR than both the HL-Neg and LL groups at 12 months. HL-Neg infants with language delay also showed reduced CBR at 12 months. Neither 6- nor 12-month CBR was significant predictors of 24-month diagnostic outcome (ASD versus no ASD) in logistic regression. LIMITATIONS: Small numbers of vocalizations produced by infants at 6 months may limit the reliability of CBR estimates. It is not known if results generalize to infants who are not at high familial likelihood, or infants from more diverse racial and socioeconomic backgrounds. CONCLUSIONS: Lower canonical babbling ratios are apparent by the end of the first year of life in ASD regardless of later language delay, but are also observed for infants with later language delay without ASD. Canonical babbling may lack specificity as an early marker when used on its own.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,262
Écart entre enseignants0,246 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations23
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMolecular AutismMême sujetAutism Spectrum Disorder ResearchTravaux en français237 207