Predicting Service Urgency in Children and Youth with Autism Spectrum Disorder: The Development of an Algorithm
Notice bibliographique
Résumé
Background: Autism spectrum disorder (ASD) is often accompanied by various mental health-related symptoms that impact a child’s level of functioning. This variability leads to unequal service urgency needs among children and youth with ASD. However, there is no empirically-based and clinically-informed system that assesses the urgency needs of individuals with ASD seeking mental health services. The current study describes the methods used to develop an algorithm to determine mental health service urgency for children and youth with ASD. Method: Assessments from 20,781 and 53,387 children and youth, drawn from two types of the interRAI Child and Youth Mental Health (ChYMH) instruments used in Ontario, were examined to identify service urgency among those with a probable ASD diagnosis. An interactive decisiontree tool identified rules-based groups that were subsequently assigned to a manageable number of levels using k-means clustering. The fit of the algorithm was assessed by logistic regression analyses. Results: The algorithm used twelve items to predict service urgency among 1,598 children with a probable ASD diagnosis. The decision tree identified 18 groups that were collapsed to five levels, from lowest to highest service urgency. The highest urgency group, which includes 12.1% of children and youth with probable autism and for whom 36.1% are rated urgent, is 11.6 times more likely to be rated as urgent, compared to the lowest group. Conclusions: By implementing the first empirically and clinically supported decision-support tool, appropriate and efficient access to community-based mental health resources can be allocated to children and youth with ASD.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».