Neurobehavioral Assessment of Sensorimotor Function in Autism Using Smartphone Technology
Notice bibliographique
Résumé
Abstract Differences in sensorimotor processing represent an important, yet underrecognized, feature of autism; typically assessed through subjective observations, which are susceptible to biases. A more objective approach to quantify sensorimotor function may be possible through reflex- based neurobehavioral evaluations. The clinical application of these assessments has, however, been confined largely to laboratory settings. Thus, small sample sizes and inconsistent findings have made it challenging to understand how sensorimotor function differs in autism and whether it can be used as an objective biomarker for diagnostics. Here we present a novel smartphone-based platform to conduct neurobehavioral evaluations by measuring facial and behavioral responses in at-home environments. Through a multi-centre study, we explored the platform’s ability to distinguish between children with and without autism. We enrolled 536 children aged 3–12 years. BlinkLab smartphone-based assessments were successfully completed in 431 children (80.4%), including 275 with autism and 156 neurotypical children. We found that autistic children showed altered sensorimotor responses across multiple domains. These included reduced prepulse inhibition (PPI), stronger habituation over the course of a PPI test, more variable eyeblink responses to auditory stimuli and significant sensitization. Additionally, children with autism displayed more screen avoidance, postural instability, head movements, mouth openings, non-syllabic vocalizations, horizontal pupil shifts, "side-eyeing", and variation in baseline eyelid opening. Exploratory analyses showed that these effects were largely independent of co-occurring ADHD or intellectual disability. Notably, co-occurrence did influence certain subdomains (e.g., PPI, mouth openings). These findings illustrate that smartphone-based assessments can capture distinct sensorimotor profiles associated with autism in real-world environments.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».