Proximity-based solutions for optimizing autism spectrum disorder treatment: integrating clinical and process data for personalized care
Notice bibliographique
Résumé
Autism Spectrum Disorder (ASD) affects millions of individuals worldwide, presenting challenges in social communication, repetitive behaviors, and sensory processing. Despite its prevalence, diagnosis can be lengthy, and access to appropriate treatment varies greatly. This project utilizes the power of Artificial Intelligence (AI), particularly Machine Learning (ML) and Deep Learning (DL), to improve Autism Spectrum Disorder diagnosis and treatment. A central data hub, the Master Data Plan (MDP), will aggregate and analyze information from diverse sources, feeding AI algorithms that can identify risk factors for ASD, personalize treatment plans based on individual needs, and even predict potential relapses. Furthermore, the project incorporates a patient-facing chatbot to provide information and support. By integrating patient data, empowering individuals with ASD, and supporting healthcare professionals, this platform aims to transform care accessibility, personalize treatment approaches, and optimize the entire care journey. Rigorous data governance measures will ensure ethical and secure data management. This project will improve access to care, personalize treatments for better outcomes, shorten wait times, boost patient involvement, and raise ASD awareness, leading to better resource allocation. This project marks a transformative shift toward data-driven, patient-centred ASD care in Italy. This platform enhances treatment outcomes for individuals with ASD and provides a scalable model for integrating AI into mental health, establishing a new benchmark for personalized patient care. Through AI integration and collaborative efforts, it aims to redefine mental healthcare standards, enhancing the well-being for individuals 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 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 | 0,005 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».