EEG neurosubtyping of infants predicts language trajectories
Notice bibliographique
Résumé
Autism spectrum disorder (ASD), like many other neurodevelopmental conditions, arises from complex interactions between genetics and environmental factors. In the last 50 years, significant efforts have been made to identify biomarkers and risk factors that can improve our understanding of autism etiology. However, high heterogeneity in causes, symptomology, and developmental trajectories has made this task challenging. One strategy to combat heterogeneity is to characterize individuals based on their brain phenotypes, commonly referred to as "neuro-subtyping". In this study, we analyzed electroencephalography (EEG) recordings from 144 infants aged 6-7 months and employed subtyping methods (latent profile analysis and hierarchical clustering) to identify subgroups. Our analyses revealed three distinct subgroups based on various language-associated EEG measures. We found that group membership was predictive of expressive and receptive language trajectories based on the Mullen Scales of Early Learning, with infants displaying high connectivity in language regions and lefthemisphere lateralization achieving the highest scores, while infants with overactivation of connectivity in the auditory network achieved lower scores. Notably, EEGderived subgroups did not predict a later ASD diagnosis, suggesting a lack of evidence for an ASD-specific phenotype during the first year of life. Results from this project contribute to a large body of research that supports using stratification approaches to decode heterogeneity in autism and its role in predicting behavioural outcomes.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».