Autisme voorspellen, kan dat?
Zou het mogelijk zijn? Zouden we met de state of the art in machine learning, de beschikbaarheid van grote hoeveelheden data en onze huidige kennis van het menselijke brein op vroege leeftijd kunnen voorspellen welke kinderen een risico lopen op het ontwikkelen van autisme? Onderzoek aan de Universiteit Gent suggereert dat die aanpak, nl. het gebruiken van steeds grotere datasets om mentale aandoeningen te voorspellen en te diagnosticeren, het paard achter de wagen spant. Waarom is dit het geval?
Verleden, heden en toekomst van autisme
Sinds de eerste beschrijving van autisme heeft er steeds een hevige discussie gewoed omtrent de criteria die autisme beschrijven en de oorzaken ervan (nee, vaccins veroorzaken geen autisme). In de huidige versie van het handboek van mentale aandoeningen (DSM-5; American Psychiatric Association, 2013) wordt autisme gedefinieerd als een brede categorie die verschillende ontwikkelingsstoornissen omvat (vandaar autismespectrumstoornis (ASS)). Personen met autisme vertonen beperkingen in twee domeinen, namelijk sociale interacties en repetitieve gedragingen.
Deze standaard definitie van ASS confronteert ons echter met twee aanzienlijke obstakels. Ten eerste, ASS bestaat per definitie uit een spectrum waardoor er zich een grote diversiteit voordoet in de symptomen van personen met autisme (Masi et al., 2017). Ten tweede, één van de clusters van symptomen betreft de sociale interacties. Dergelijke symptomen uiten zich typisch pas op een latere leeftijd eens de sociale vereisten toenemen. Dit stelt ons voor een probleem: sociale beperkingen kunnen er tijdens de cruciale, vroege jaren voor zorgen dat het kind belangrijke leermomenten mist en de beperking zo verergert. Deze redenering benadrukt het belang van een vroege detectie van ASS om zo de ernst van de symptomen op latere leeftijd te drukken (Camarata, 2014).
Bovenstaande problemen gaven wetenschappers de aanzet om een andere aanpak aan te vatten. In plaats van een diagnose te vormen op basis van gedrag, wordt er gezocht naar een endofenotype van autisme. Een endofenotype vormt de link tussen het genotype en het fenotype. Het is een biologisch ‘meetbare’ eigenschap die informatie geeft over het functioneren van een organisme. Dit kan neurofysiologisch (bv. interacties tussen hersenregio’s) zijn maar bijvoorbeeld ook cognitief (bv. werkgeheugen) (Gottesman & Gould, 2003). Elektro-encefalografie (EEG), opnames van hersengolven, kunnen helpen in de zoektocht naar endofenotypes. EEG is makkelijk af te nemen, het is goedkoop en er bestaat reeds een aanzienlijke literatuur die helpt bij het interpreteren van de data. Potentiële endofenotypes die afgeleid worden van EEG opnames kunnen gaan van simpel tot meer complex. Neuronen gedragen zich als een verzameling interagerende oscillators die chaotische en soms tijdelijk gesynchroniseerde activiteit vertonen. Lineaire analysetechnieken missen daarom een aanzienlijk deel van de informatie die vervat zit in deze neuronale activiteit (Bosl et al., 2011; Bosl et al., 2018). Een focus op de non-lineaire maatstaven afgeleid van EEG, lijkt dus een logische piste.
Voorspellen en begrijpen, of toch niet?
Hier ging ons onderzoek van start. We evalueerden vijf maatstaven, afgeleid uit EEG-opnames van kinderen met een verhoogde kans om autisme te ontwikkelen, op hun vermogen om de uitkomst (wel of geen autisme) van een screening op latere leeftijd te voorspellen. Voor deze voorspellingen maakten we gebruik van machine learning. Indien succesvol, zouden we een manier bekomen om de kloof te overbruggen tussen de nood aan een vroege behandeling en het gebrek aan symptomen tijdens de eerste levensjaren.
Voor deze studie werden opnames gemaakt van de hersengolven van 64 kinderen met een verhoogde kans op autisme (vb. kinderen met broers/zussen met autisme). Van deze kinderen werden de hersengolven gemeten op een leeftijd van 10 en 14 maanden. Op een leeftijd van 2 jaar werden alle kinderen geëvalueerd a.d.h.v. een screeningsvragenlijst (i.e. Q-CHAT (Allison et al., 2012)). Dit resulteerde in twee groepen, een groep met een positieve screening (i.e. mogelijk autisme) en een groep met een negatieve screening (i.e. vertonen geen tekenen van autisme). Op basis van de hersengolven werden vijf verschillende maatstaven berekend. Deze maten werden vervolgens samen met de uitkomst van de screening gebruikt om een machine learning model te trainen. Nadien werd geëvalueerd hoe goed het model erin sloeg de uitkomst van de screening te voorspellen door slechts gebruik te maken van de geregistreerde hersengolfactiviteit.
Wat bleek? De maten afgeleid uit de EEG-opnames op 10 maanden en 14 maanden oud waren ontoereikend om een bruikbare voorspelling te maken. De voornaamste tekortkoming van deze studie was het gebrek aan participanten. Bovendien waren er weinig participanten met een positieve screening op 24 maanden oud.
Voorbij het hokje ‘autisme’
Bovenstaande tekortkomingen beperkten ons in het achterhalen van patronen in het hersen-functioneren van kinderen met autisme. Echter, in plaats van grotere datasets en complexere analysetechnieken, zou onderzoek naar autisme voornamelijk gebaat kunnen zijn door het aanpakken van de voornaamste bron van heterogeniteit in de data: de diagnose zelf. De boodschap is dus een verandering van focus. In plaats van ‘willekeurige’ diagnostische categorieën te onderzoeken, mogen de cognitieve en gedragsmatige processen die mentale gezondheid beïnvloeden weer op de voorgrond treden.
Zo’n initiatief is reeds aan de gang onder de naam ‘Research Domain Criteria’ (RDoC) project (NIMH, 2009). Het doel is om onderzoek rond mentale aandoening te centreren rond zes domeinen van cognitieve functies (vb. sociale functies, motorische functies, enz.) dewelke de klassieke diagnostische categorieën overstijgen. Hoe kan dit initiatief onze kennis over mentale aandoeningen verdiepen? Eerst en vooral door concepten te bestuderen die relevant zijn voor het algemeen psychologisch functioneren (vb. oogcontact maken in kader van sociale interacties) i.p.v. uit te gaan van eng gedefinieerde categorieën. Ten tweede door gedrags- en fysiologische metingen (zoals EEG) in een betekenisvolle context te integreren (vb. in een (gesimuleerde) sociale setting). Als laatste, door uit te gaan van dimensionaliteit. Toekomstige studies die zowel gedrags- als neurofysiologische data verzamelen zouden moeten nagaan in welke mate deze twee met elkaar correleren.
Door opnieuw te focussen op de basis (i.e. de symptomen zelf) en de neurobiologische oorsprong ervan, inclusief het dimensionele karakter, menen wij dat de onderzoeksinspanningen ons waardevolle inzichten kunnen verschaffen. Alleen dan zullen we in staat zijn om gedragsstoornissen te voorspellen bij jonge kinderen.
