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.
Bibliografie
Abdi, H. (2010). Holm’s sequential Bonferroni procedure. Encyclopedia of research design, 1(8), 1-8.
Agrawal, S., Rao, S. C., Bulsara, M. K., & Patole, S. K. (2018). Prevalence of autism spectrum disorder in preterm infants: a meta-analysis. Pediatrics, 142(3).
Ahearn, W. H., Castine, T., Nault, K., & Green, G. (2001). An assessment of food acceptance in children with autism or pervasive developmental disorder-not otherwise specified. Journal of Autism and Developmental Disorders, 31(5), 505-511.
Allison, C., Auyeung, B., & Baron-Cohen, S. (2012). Toward brief “red flags” for autism screening: the short autism spectrum quotient and the short quantitative checklist in 1,000 cases and 3,000 controls. Journal of the American Academy of Child & Adolescent Psychiatry, 51(2), 202-212. e207.
Allison, C., Baron-Cohen, S., Wheelwright, S., Charman, T., Richler, J., Pasco, G., & Brayne, C. (2008). The Q-CHAT (Quantitative CHecklist for Autism in Toddlers): a normally distributed quantitative measure of autistic traits at 18–24 months of age: preliminary report. Journal of Autism and
Developmental Disorders, 38(8), 1414-1425.
American Psychiatric Association. (1994). Diagnostic and Statistical Manual of Mental Disorders (4th ed.). American Psychiatric Association.
American Psychiatric Association. (2013). Diagnostic and Statistical Manual of Mental Disorders (5th ed.). American Psychiatric Association. https://doi.org/10.1176/appi.books.9780890425596
Babbitt, R. L., Hoch, T. A., Coe, D. A., Cataldo, M. F., Kelly, K. J., Stackhouse, C., & Perman, J. A. (1994). Behavioral assessment and treatment of pediatric feeding disorders. Journal of developmental and Behavioral Pediatrics.
Ball, G., Boardman, J. P., Aljabar, P., Pandit, A., Arichi, T., Merchant, N., Rueckert, D., Edwards, A. D., & Counsell, S. J. (2013). The influence of preterm birth on the developing thalamocortical
connectome. Cortex, 49(6), 1711-1721.
Baron-Cohen, S., Allen, J., & Gillberg, C. (1992). Can autism be detected at 18 months?: The needle, the haystack, and the CHAT. The British Journal of Psychiatry, 161(6), 839-843.
Baron-Cohen, S., Cox, A., Baird, G., Swettenham, J., Nightingale, N., Morgan, K., Drew, A., & Charman, T. (1996). Psychological markers in the detection of autism in infancy in a large population. The British Journal of Psychiatry, 168(2), 158-163.
Barttfeld, P., Amoruso, L., Ais, J., Cukier, S., Bavassi, L., Tomio, A., Manes, F., Ibanez, A., & Sigman, M. (2013). Organization of brain networks governed by long-range connections index autistic traits in the general population. Journal of neurodevelopmental disorders, 5(1), 16. https://doi.org/10.1186/1866-1955-5-16
Bieleninik, L., Posserud, M. B., Geretsegger, M., Thompson, G., Elefant, C., & Gold, C. (2017). Tracing the temporal stability of autism spectrum diagnosis and severity as measured by the Autism Diagnostic Observation Schedule: A systematic review and meta-analysis. PLOS ONE, 12(9), e0183160. https://doi.org/10.1371/journal.pone.0183160
Bokobza, C., Van Steenwinckel, J., Mani, S., Mezger, V., Fleiss, B., & Gressens, P. (2019). Neuroinflammation in preterm babies and autism spectrum disorders. Pediatric Research, 85(2), 155-165.
Bondy, A., & Frost, L. (2001). The Picture Exchange Communication System. Behavior modification, 25(5), 725-744. https://doi.org/10.1177/0145445501255004
Bosl, W., Tierney, A., Tager-Flusberg, H., & Nelson, C. (2011). EEG complexity as a biomarker for autism spectrum disorder risk. BMC Medicine, 9(18). https://doi.org/10.1186/1741-7015-9-18
Bosl, W. J., Tager-Flusberg, H., & Nelson, C. A. (2018). EEG Analytics for Early Detection of Autism Spectrum Disorder: A data-driven approach. Scientific Reports 8, 6828. https://doi.org/10.1038/s41598-018-24318-x
Bruni, T. P. (2014). Test review: Social responsiveness scale–Second edition (SRS-2). Journal of Psychoeducational Assessment, 32(4), 365-369.
Bryce, R. M., & Sprague, K. B. (2012). Revisiting detrended fluctuation analysis. Scientific Reports, 2(1), 315. https://doi.org/10.1038/srep00315
Butler, S., & Lord, C. (2013). Rimland Diagnostic Form for Behavior-Disturbed Children (E-2). In F.R. Volkmar (Ed.), Encyclopedia of Autism Spectrum Disorders. Springer.
https://doi.org/10.1007/978-1-4419-1698-3_914
Camarata, S. (2014). Early identification and early intervention in autism spectrum disorders: Accurate and effective? International Journal of Speech-Language Pathology, 16(1), 1-10.
https://doi.org/10.3109/17549507.2013.858773
Cateni, S., Vannucci, M., Vannocci, M., & Valentina, G. (2013). Variable Selection and Feature Extraction Through Artificial Intelligence Techniques. In Multivariate Analysis in Management, Engineering and the Science (pp. 103-118).
Chiarotti, F., & Venerosi, A. (2020). Epidemiology of Autism Spectrum Disorders: A Review of Worldwide Prevalence Estimates Since 2014. Brain Sciences, 10(5), 274. https://doi.org/10.3390/brainsci10050274
Clarkson, T., Kang, E., Capriola-Hall, N., Lerner, M. D., Jarcho, J., & Prinstein, M. J. (2020). Meta-analysis of the RDoC social processing domain across units of analysis in children and adolescents. Journal of Clinical Child & Adolescent Psychology, 49(3), 297-321.
Cohen, M. X. (2017). Where does EEG come from and what does it mean? Trends in neurosciences, 40(4), 208-218.
Constantino, J. N., & Gruber, C. P. (2012). Social responsiveness scale: SRS-2. Western Psychological Services.
Cornew, L., Roberts, T. P. L., Blaskey, L., & Edgar, J. C. (2012). Resting-State Oscillatory Activity in Autism Spectrum Disorders. Journal of Autism and Developmental Disorders, 42(9), 1884-1894. https://doi.org/10.1007/s10803-011-1431-6
Dawson, G., Klinger, L. G., Panagiotides, H., Lewy, A., & Castelloe, P. (1995). Subgroups of autistic children based on social behavior display distinct patterns of brain activity. Journal of Abnormal
Child Psychology, 23(5), 569-583. https://doi.org/10.1007/BF01447662
De Bildt, A., De Jonge, M., & Greaves‐Lord, K. (2013). ADOS‐2 autism diagnostic observation schedule (Dutch version). Amsterdam, the Netherlands: Hogrefe.
Doernberg, E., & Hollander, E. (2016). Neurodevelopmental disorders (asd and adhd): dsm-5, icd-10, and icd-11. CNS spectrums, 21(4), 295-299.
Elsabbagh, M. (2020). Linking risk factors and outcomes in autism spectrum disorder: is there evidence for resilience? BMJ, 368. https://doi.org/10.1136/bmj.l6880
Elsabbagh, M., Divan, G., Koh, Y. J., Kim, Y. S., Kauchali, S., Marcín, C., Montiel‐Nava, C., Patel, V., Paula, C. S., Wang, S., Yasamy, M. T., & Fombonne, E. (2012). Global Prevalence of Autism and Other Pervasive Developmental Disorders. Autism Research, 5(3), 160-179. https://doi.org/10.1002/aur.239
Goldenberg, R. L., Culhane, J. F., Iams, J. D., & Romero, R. (2008). Epidemiology and causes of preterm birth. The lancet, 371(9606), 75-84.
Golland, P., & Fischl, B. (2003). Permutation tests for classification: towards statistical significance in image-based studies. Biennial international conference on information processing in medical imaging.
Gotham, K., Pickles, A., & Lord, C. (2009). Standardizing ADOS scores for a measure of severity in autism spectrum disorders. Journal of Autism and Developmental Disorders, 39(5), 693-705.
https://doi.org/10.1007/s10803-008-0674-3
Gregory, L. M., Burton, V. J., & Shapiro, B. K. (2015). Chapter 3 - Developmental Disabilities and Metabolic Disorders. In M. J. Zigmond, L. P. Rowland, & J. T. Coyle (Eds.), Neurobiology of Brain Disorders (pp. 18-41). Academic Press. https://doi.org/10.1016/B978-0-12-398270-4.00003-3
Gurau, O., Bosl, W. J., & Newton, C. R. (2017). How useful is electroencephalography in the diagnosis of autism spectrum disorders and the delineation of subtypes: a systematic review. Frontiers in Psychiatry, 8, 121.
Harrison, L. A., Kats, A., Kilroy, E., Butera, C., Jayashankar, A., Keles, U., & Aziz-Zadeh, L. (2021). Motor and sensory features successfully decode autism spectrum disorder and combine with the original RDoC framework to boost diagnostic classification. Scientific Reports, 11(1), 1-16.
Hennessey, T., Andari, E., & Rainnie, D. G. (2018). RDoC-based categorization of amygdala functions and its implications in autism. Neuroscience & Biobehavioral Reviews, 90, 115-129.
Hertz-Picciotto, I., Croen, L. A., Hansen, R., Jones, C. R., van de Water, J., & Pessah, I. (2006). The CHARGE Study: An Epidemiologic Investigation of Genetic and Environmental Factors Contributing to Autism. Environmental Health Perspectives, 114(7). https://doi.org/10.1289/ehp.8483
Hirata, Y., & Aihara, K. (2011). STATISTICAL TESTS FOR SERIAL DEPENDENCE AND LAMINARITY ON RECURRENCE PLOTS. International Journal of Bifurcation and Chaos, 21(04), 1077-1084. https://doi.org/10.1142/s0218127411028908
Horwitz, B. (2003). The elusive concept of brain connectivity. NeuroImage, 19(2), 466-470. https://doi.org/10.1016/S1053-8119(03)00112-5
Hyde, K. K., Novack, M. N., LaHaye, N., Parlett-Pelleriti, C., Anden, R., Dixon, D. R., & Linstead, E. (2019). Applications of Supervised Machine Learning in Autism Spectrum Disorder Research: a Review. Review Journal of Autism and Developmental Disorders, 6(2), 128-146. https://doi.org/10.1007/s40489-019-00158-x
Hyman, S. L., Levy, S. E., & Myers, S. M. (2020). Identification, Evaluation, and Management of Children With Autism Spectrum Disorder. Pediatrics, 145(1), e20193447. https://doi.org/10.1542/peds.2019-3447
Kanner, L. (1943). Autistic disturbances of affective contact. Nervous Child.
Keen, D. V. (2008). Childhood autism, feeding problems and failure to thrive in early infancy. European child & adolescent psychiatry, 17(4), 209-216.
Khalid, S., Khalil, T., & Nasreen, S. (2014, 27-29 Aug. 2014). A survey of feature selection and feature extraction techniques in machine learning. 2014 Science and Information Conference.
Koegel, R. L., Koegel, L. K., & McNerney, E. K. (2001). Pivotal areas in intervention for autism. Journal of clinical child psychology, 30(1), 19-32. https://doi.org/10.1207/s15374424jccp3001_4
Kwaliteitscentrum voor Diagnostiek vzw (2018). Classificerend Diagnostisch Protocol Autismespectrumstoornis bij kinderen en jongeren. Retrieved (21/05/2022) from http://www.kwaliteitscentrumdiagnostiek.be/publicatiesjeugdhulp
Ladha, L., & Deepa, T. (2011). Feature selection methods and algorithms. International journal on computer science and engineering, 3(5), 1787-1797.
Lazarev, V. V., Pontes, A., & deAzevedo, L. C. (2009). EEG photic driving: Right-hemisphere reactivity deficit in childhood autism. A pilot study. International Journal of Psychophysiology, 71(2), 177-
183. https://doi.org/https://doi.org/10.1016/j.ijpsycho.2008.08.008
Ledford, J. R., & Gast, D. L. (2006). Feeding problems in children with autism spectrum disorders: A review. Focus on Autism and Other Developmental Disabilities, 21(3), 153-166.
Leviton, A., Joseph, R. M., Allred, E. N., Fichorova, R. N., O'Shea, T. M., Kuban, K. K., & Dammann, O. (2018). The risk of neurodevelopmental disorders at age 10 years associated with blood concentrations of interleukins 4 and 10 during the first postnatal month of children born extremely preterm. Cytokine, 110, 181-188.
Li, Z., Zhang, L., Zhang, F., Gu, R., Peng, W., & Hu, L. (2020). Demystifying signal processing techniques to extract resting- state EEG features for psychologists. Brain Science Advances, 6(3), 189-209. https://doi.org/10.26599/bsa.2020.9050019
Linting, M., Meulman, J. J., Groenen, P. J. F., & van der Koojj, A. J. (2007). Nonlinear principal components analysis: introduction and application. Psychological methods, 12(3), 336.
Lord, C., Rutter, M., DiLavore, P. C., Risi, S., Gotham, K., & Bishop, S. (2012). Autism Diagnostic Observation Schedule, Second Edition. Western Psychological Services.
Lovaas, O. I. (1987). Behavioral treatment and normal educational and intellectual functioning in young autistic children. Journal of Consulting and Clinical Psychology, 55(1), 3-9. https://doi.org/10.1037/0022-006X.55.1.3
Luyster, R., Gotham, K., Guthrie, W., Coffing, M., Petrak, R., Pierce, K., Bishop, S., Esler, A., Hus, V., & Oti, R. (2009). The Autism Diagnostic Observation Schedule—Toddler Module: A new module of a standardized diagnostic measure for autism spectrum disorders. Journal of Autism and Developmental Disorders, 39(9), 1305-1320.
Magiati, I., & Howlin, P. (2001). Monitoring the Progress of Preschool Children with Autism Enrolled in Early Intervention ProgrammesProblems in Cognitive Assessment. Autism, 5, 399-406. https://doi.org/10.1177/1362361301005004005
Marwan, N. (2011). HOW TO AVOID POTENTIAL PITFALLS IN RECURRENCE PLOT BASED DATA ANALYSIS. International Journal of Bifurcation and Chaos, 21(04), 1003-1017. https://doi.org/10.1142/s0218127411029008
Marwan, N. (2012). Recurrence Plots and Cross Recurrence Plots. Retrieved 12/04/2021 from http://www.recurrence-plot.tk
Marwan, N., Carmen Romano, M., Thiel, M., & Kurths, J. (2007). Recurrence plots for the analysis of complex systems. Physics Reports, 438(5), 237-329. https://doi.org/https://doi.org/10.1016/j.physrep.2006.11.001
Marwan, N., Wessel, N., Meyerfeldt, U., Schirdewan, A., & Kurths, J. (2002). Recurrence-plot-based measures of complexity and their application to heart-rate-variability data. Physical Review E,
66(2), 026702. https://doi.org/10.1103/PhysRevE.66.026702
Matson, J. L., Belva, B. C., Horovitz, M., Kozlowski, A. M., & Bamburg, J. W. (2012). Comparing Symptoms of Autism Spectrum Disorders in a Developmentally Disabled Adult Population Using the Current DSM-IV-TR Diagnostic Criteria and the Proposed DSM-5 Diagnostic Criteria. Journal of Developmental and Physical Disabilities, 24, 403-414. https://doi.org/10.1007/s10882-012-9278-0
McCrimmon, A., & Rostad, K. (2013). Test Review: Autism Diagnostic Observation Schedule, Second Edition (ADOS-2) Manual (Part II): Toddler Module. Journal of Psychoeducational Assessment, 32(1), 88-92. https://doi.org/10.1177/0734282913490916
McPartland, J. C., Reichow, B., & Volkmar, F. R. (2012). Sensitivity and Specificity of Proposed DSM-5 Diagnostic Criteria for Autism Spectrum Disorder. Journal of the American Academy of Child &
Adolescent Psychiatry, 51(4). https://doi.org/10.1016/j.jaac.2012.01.007
McVey, A. J. (2019). The neurobiological presentation of anxiety in autism spectrum disorder: A systematic review. Autism Research, 12(3), 346-369.
Narzisi, A., Costanza, C., Umberto, B., & Filippo, M. (2014). Non-Pharmacological Treatments in Autism Spectrum Disorders: An Overview on Early Interventions for Pre-Schoolers. Current Clinical Pharmacology, 9(1), 17-26. https://doi.org/10.2174/15748847113086660071
National Institute of Mental Health. Research Domain Criteria (RDoC). NIMH website. Retrieved 02/05/2022 from https://www.nimh.nih.gov/research/research-funded-by-nimh/rdoc
O’Reilly, C., Lewis, J. D., & Elsabbagh, M. (2017). Is functional brain connectivity atypical in autism? A systematic review of EEG and MEG studies. PLOS ONE, 12(5), e0175870. https://doi.org/10.1371/journal.pone.0175870
Orekhova, E. V., Elsabbagh, M., Jones, E. J. H., Dawson, G., Charman, T., Johnson, M. H., & The BASIS Team. (2014). EEG hyper-connectivity in high-risk infants is associated with later autism. Journal of neurodevelopmental disorders, 6(40). https://doi.org/10.1186/1866-1955-6-40
Ozonoff, S., Young, G. S., Carter, A., Messinger, D., Yirmiya, N., Zwaigenbaum, L., Bryson, S., Carver, L. J., Constantino, J. N., Dobkins, K., Hutman, T., Iverson, J. M., Landa, R., Rogers, S. J., Sigman, M., & Stone, W. L. (2011). Recurrence Risk for Autism Spectrum Disorders: A Baby Siblings Research Consortium Study. Pediatrics, 128(3), e488-e495. https://doi.org/10.1542/peds.2010-2825
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., & Dubourg, V. (2011). Scikit-learn: Machine learning in Python. the Journal of
machine Learning research, 12, 2825-2830.
Prizant, B. M., Wetherby, A., Rubin, E., & Laurent, A. C. (2003). The SCERTS Model: A Transactional, Family-Centered Approach to Enhancing Communication and Socio emotional Abilities of
Children With Autism Spectrum Disorder. Infants and Young Children, 16(4), 296-316.
Raichle, M. E., & Snyder, A. Z. (2007). A default mode of brain function: A brief history of an evolving idea. NeuroImage, 37(4), 1083-1090. https://doi.org/10.1016/j.neuroimage.2007.02.041
Randall, M., Egberts, K. J., Samtani, A., Scholten, R. J. P. M., Hooft, L., Livingstone, N., Sterling‐Levis, K., Woolfenden, S. & Williams, K. (2018). Diagnostic tests for autism spectrum disorder (ASD) in preschool children Cochrane Database of Systematic Reviews.
https://doi.org/10.1002/14651858.CD009044.pub2
Reichow, B. (2012). Overview of Meta-Analyses on Early Intensive Behavioral Intervention for Young Children with Autism Spectrum Disorders. Journal of Autism and Developmental Disorders, 42(4), 512-520. https://doi.org/10.1007/s10803-011-1218-9
Renty, J. O., & Roeyers, H. (2006). Quality of life in high functioning adults with autism spectrum disorder: The predictive value of disability and support characteristics. Autism, 10(5), 511-524. https://doi.org/10.1177/1362361306066604
Richman, J. S., & Moorman, J. R. (2000). Physiological time-series analysis using approximate entropy and sample entropy. American Journal of Physiology-Heart and Circulatory Physiology, 278(6), H2039-H2049. https://doi.org/10.1152/ajpheart.2000.278.6.H2039
Roberts, T. P. L., Khan, S. Y., Rey, M., Monroe, J. F., Cannon, K., Blaskey, L., Woldoff, S., Qasmieh, S., Gandal, M., Schmidt, G. L., Zarnow, D. M., Levy, S. E., & Edgar, J. C. (2010). MEG detection of
delayed auditory evoked responses in autism spectrum disorders: towards an imaging biomarker for autism. Autism Research, 3(1), 8-18. https://doi.org/https://doi.org/10.1002/aur.111
Robins, D. L., Fein, D., & Barton M. L. (1999). The modified checklist for autism in toddlers (M-CHAT). Self-published.
Rodgers, M., Simmonds, M., Marshall, D., Hodgson, R., Stewart, L. A., Rai, D., Wright, K., Ben-Itzchak, E., Eikeseth, S., & Eldevik, S. (2021). Intensive behavioural interventions based on applied
behaviour analysis for young children with autism: An international collaborative individual participant data meta-analysis. Autism, 1362361320985680.
Rohilla, A. (2018, November 2). A brief introduction to Support Vector machine. Towards Data Science. Retrieved 09/04/2021 from https://towardsdatascience.com/a-brief-introduction-to-supportvector-ma…
raining%20sample
Schinkel, S., Marwan, N., & Kurths, J. (2009). Brain signal analysis based on recurrences. Journal of Physiology-Paris, 103(6), 315-323. https://doi.org/https://doi.org/10.1016/j.jphysparis.2009.05.007
Tay, T. L., Savage, J. C., Hui, C. W., Bisht, K., & Tremblay, M. È. (2017). Microglia across the lifespan: from origin to function in brain development, plasticity and cognition. The Journal of physiology, 595(6), 1929-1945.
Tick, B., Bolton, P., Happé, F., Rutter, M., & Rijsdijk, F. (2015). Heritability of autism spectrum disorders: a meta-analysis of twin studies. J Child Psychol Psychiatry, 57(5), 585-595. https://doi.org/10.1111/jcpp.12499
Tierney, A. L., Gabard-Durnam, L., Vogel-Farley, V., Tager-Flusberg, H., & Nelson, C. A. (2012). Developmental Trajectories of Resting EEG Power: An Endophenotype of Autism Spectrum Disorder. PLOS ONE, 7(6). https://doi.org/10.1371/journal.pone.0039127
Tsai, L. Y. (2014). Impact of DSM-5 on epidemiology of Autism Spectrum Disorder. Research in Autism Spectrum Disorders, 8(11). https://doi.org/10.1016/j.rasd.2014.07.016
Tschida, J. E., & Yerys, B. E. (2021). A systematic review of the positive valence system in autism spectrum disorder. Neuropsychology Review, 31(1), 58-88.
van Heijst, B. F. C., & Geurts, H. M. (2015). Quality of life in autism across the lifespan: A meta-analysis. Autism, 19(2), 158-167. https://doi.org/10.1177/1362361313517053
Vismara, L. A., & Rogers, S. J. (2010). Behavioral Treatments in Autism Spectrum Disorder: What Do We Know? Annual Review of Clinical Psychology 6, 447-468. https://doi.org/10.1146/annurev.clinpsy.121208.131151
Vissers, M. E., Cohen, M. X., & Geurts, H. M. (2012). Brain connectivity and high functioning autism: A promising path of research that needs refined models, methodological convergence, and stronger behavioral links. Neuroscience & Biobehavioral Reviews, 36(1), 604-625. https://doi.org/10.1016/j.neubiorev.2011.09.003
Volkmar, F. R., & McPartland, J. C. (2014). From Kanner to DSM-5: Autism as an Evolving Diagnostic Concept. Annual Review of Clinical Psychology, 10(1), 193-212. https://doi.org/10.1146/annurev-clinpsy-032813-153710
Wang, J., Barstein, J., Ethridge, L. E., Mosconi, M. W., Takarae, Y., & Sweeney, J. A. (2013). Resting state EEG abnormalities in autism spectrum disorders. Journal of neurodevelopmental disorders, 5(1), 24-24. https://doi.org/10.1186/1866-1955-5-24
Warren, Z., McPheeters, M. L., Sathe, N., Foss-Feig, J. H., Glasser, A., & Veenstra-VanderWeele, J. (2011). A Systematic Review of Early Intensive Intervention for Autism Spectrum Disorders.
Pediatrics, 127(5), e1303. https://doi.org/10.1542/peds.2011-0426
Weitlauf, A. S., Vehorn, A. C., Stone, W. L., Fein, D., & Warren, Z. E. (2015). Using the M-CHAT-R/F to identify developmental concerns in a high-risk 18-month-old sibling sample. Journal of
developmental and behavioral pediatrics: JDBP, 36(7), 497.
Wetherby, A., & Woods, J. (2006). Early Social Interaction Project for Children With Autism Spectrum Disorders Beginning in the Second Year of Life: A Preliminary Study. Topics in Early Childhood Special Education 26, 67-82. https://doi.org/10.1177/02711214060260020201
Williams, J. G., Higgins, J. P. T., & Brayne, C. E. G. (2006). Systematic review of prevalence studies of autism spectrum disorders. Archives of Disease in Childhood, 91, 8-15.
https://doi.org/10.1136/adc.2004.062083
Wong, E. H. F., Fox, J. C., Ng, M. Y. M., & Lee, C. (2011). 13 - Toward Personalized Medicine in the Neuropsychiatric Field. In P. C. Guest & S. Bahn (Eds.), International Review of Neurobiology
(Vol. 101, pp. 329-349). Academic Press. https://doi.org/https://doi.org/10.1016/B978-0-12-
387718-5.00013-4
Worley, J. A., & Matson, J. L. (2012). Comparing symptoms of autism spectrum disorders using the current DSM-IV-TR diagnostic criteria and the proposed DSM-V diagnostic criteria. Res. Autism Spectr. Disord, 6, 965-970. https://doi.org/10.1016/j.rasd.2011.12.012
Yeh, C.C., Chen, C.Y., & Wang, P.H. (2017). Infection and preterm birth. In (Vol. 80, pp. 530-531): LWW.
Zbilut, J. P., & Webber, C. L. (1992). Embeddings and delays as derived from quantification of recurrence plots. Physics Letters A, 171(3), 199-203. https://doi.org/https://doi.org/10.1016/0375-9601(92)90426-M
Zeidan, J., Fombonne, E., Scorah, J., Ibrahim, A., Durkin, M. S., Saxena, S., Yusuf, A., Shih, A., & Elsabbagh, M. (2022). Global prevalence of autism: A systematic review update. Autism Research.
