《Research in Autism》：AI-supported residential care placement decision making for individuals with autism spectrum disorder and complex medical issues
编辑推荐：
该研究构建基于非线性分类器的AI模型，用于辅助自闭症谱系障碍（ASD）合并共病个体的住宅安置决策，以TCFD为例验证模型有效性。摘要显示，模型通过整合既往医学诊断和基线睡眠数据，预测成功安置的准确率达80%以上。分隔符：
艾玛·丹多（Emma Dando）| 乌韦·克鲁格（Uwe Kruger）| 康纳·安德森（Conor Anderson）| 珍妮·福斯特（Jenny Foster）| 特蕾莎·哈姆林（Theresa Hamlin）| 尤尔根·汉（Juergen Hahn）
美国伦斯勒理工学院（Rensselaer Polytechnic Institute）生物医学工程系，地址：110 8th St, Troy, 12180, NY, USA
摘要
为患有自闭症谱系障碍（ASD）并伴有其他医疗状况的个体寻找合适的居住环境是一项具有挑战性的任务，这不仅因为这些个体的需求各不相同，还因为不同的居住项目采用了不同的方法。因此，决定哪个个体适合某个特定的居住环境既重要又充满挑战。是否接受某人进入某个项目的决定通常基于其医疗历史、入院时的体检结果以及项目工作人员对有类似需求居民的过往经验。这一决定在很大程度上受到工作人员经验的影响。本研究构建了一个人工智能模型，以支持这一决策过程，用于筛选适合“发现中心”（The Center for Discovery，简称TCFD）项目的潜在居民。该模型基于一个非线性分类器，并使用当前和过去居民的数据进行训练，以预测个体是否能很好地适应TCFD提供的护理方式。该分类器在使用关于居民过往医疗诊断的信息以及入院后的睡眠数据时，能够以超过80%的准确率预测成功的安置结果。虽然这项工作专注于一个特定的居住项目，但它展示了利用人工智能模型来支持此类安置决策的有效性；只要能够获得过去居民成功和失败安置的数据，这种方法也可以推广到其他项目。
引言
自闭症谱系障碍（ASD）是一种表现形式和病因多样的发育障碍（Masi等人，2017年），其诊断依据是该障碍的核心症状，即社交互动困难和重复性行为（CDC，2022年；Rosen等人，2021年）。目前没有统一的方法来评估ASD症状的严重程度或其对个体日常生活的影响，但通常会从三个方面来评估个体的受影响程度：沟通能力、认知功能和适应功能（Stedman等人，2019年）。这些分类并不绝对，但可以作为确定适当护理方式的合理起点。ASD的表现形式多样，包括其他行为和身体症状（CDC，2022年；Jack和Pelphrey，2017年；Lord等人，2022年），这对研究和个性化治疗计划提出了挑战（Aglinskas等人，2023年）。同时存在的医疗状况在ASD患者中很常见（Vargason等人，2019年），这些状况可能会加剧每种疾病带来的压力和症状，使个体的症状表现更加复杂（Masi等人，2017年；Vargason等人，2019年）。
许多重度ASD患者在其一生中需要长期居住护理。然而，居住项目在制定护理计划以及判断哪些个体能从项目中获得良好帮助方面面临重大挑战。由于ASD的表现形式高度多样化，某些方法可能对一部分患者有效，但对另一部分患者无效（Nuske等人，2024年）。尽管有许多研究试图为这些项目建立普遍的最佳实践（Esteban等人，2021年；Tola等人，2021年），但居住项目的具体方法和医疗能力各不相同。因此，判断某个居住项目是否适合某个特定个体是一个涉及多种因素的复杂决策。
安置过程的重点是将儿童安置在离家较近的地方，并且符合《残疾人教育改进法案》（第1412条，2004年）要求的“限制最少的环境”。对于许多ASD儿童来说，限制较少的环境有助于他们的学业和个人发展（Kurth，2015年）。然而，这些环境无法为许多症状严重或复杂的儿童提供足够的护理。这种平衡往往导致安置失败。在多次安置尝试失败后，ASD患者常常滞留在急诊室和住院精神科设施中（Irwin，2022年）。这些设施通常不具备支持ASD患者的适当条件，长期居住可能导致高风险行为的增加（Iannuzzi等人，2022年）。服务提供者已经开始考虑如何调整标准做法和流程以适应ASD患者（Scarpinato等人，2010年），但所需协议并未得到普遍实施，而且实施起来可能需要时间，因此可能无法立即全面应用。随着ASD（据2022年估计，每31名8岁儿童中就有1人患病；Shaw等人，2025年）和其他慢性疾病（据2010年估计，14岁以下儿童中有27%患病；Wright等人，2022年）发病率的上升，医院和护理机构面临的挑战也在增加。
安置不当的后果远不止影响学业。对于居民而言，不合适的安置意味着他们将处于压力环境中，并且会延迟获得适当的护理。此外，即使项目本身适合他们，其他居民也会因他人的不当安置而受到影响，因为资源不得不更多地分配给那些情况更严重的个体。居住项目的工作人员也会因不当安置而面临挑战，特别是护理人员可能会承受额外的压力，最终可能导致职业倦怠（Ryan等人，2021年）。职业倦怠已被证明会影响护理人员的决策（Michailidis & Banks，2016年）。
为患有复杂医疗状况的个体寻找合适的安置环境是一个重要且具有挑战性的过程。如图1所示，决定谁适合某个项目的护理是一个复杂的过程。目前的决策过程主要是定性的，严重依赖于决策者的经验。因此，本研究旨在利用人工智能来辅助这一决策过程。具体来说，使用过去居民的医疗记录和他们在项目中的数据来训练一个分类器，以预测个体是否可能对该项目采用的方法有良好的反应。虽然目前没有直接的证据表明人工智能模型可以直接用于支持安置决策，但已有研究证明人工智能在为儿童推荐福利安置方面是有用的（Chor等人，2025年）。本研究通过将成熟的机器学习方法和人工智能模型应用于这一新问题和新数据集，进一步拓展了这一领域。尽管这项工作专注于一个特定的居住项目，但该方法具有普遍性，只要能获得所需数据，就可以用其他项目的数据重新训练模型。因此，这项工作不仅证明了人工智能可以辅助决策过程，还提供了基于某个特定项目数据的详细分析。
数据收集与准备
“发现中心”（The Center for Discovery，简称TCFD）是一个为患有ASD和其他复杂医疗状况的儿童和成人提供教育和居住服务的机构。它最初成立于1948年，1950年注册为沙利文县脑瘫协会（United Cerebral Palsy Association of Sullivan County），并于1999年发展成为TCFD。TCFD强调环境互动对居民的重要性，1983年启动了农业项目，并在2002年成为美国首个获得认证的医疗设施
结果
为了创建一个预测个体在居住项目中能否成功安置的模型，以TCFD作为案例研究，研究人员分析了他们的每日睡眠和排便情况以及终身医疗诊断数据。安置模型被简化为一个二元决策，即判断个体是否会对该项目有良好的反应。该决策的结果由TCFD工作人员综合考虑决定。模型使用了最多三个属性的所有可能组合
讨论
居住项目的安置决策非常复杂，可能会对ASD患者、他们的家庭以及支持这些项目的工作人员产生重大影响。定量人工智能模型有可能通过提供建议和发现潜在问题来简化这一过程。这是首个直接支持此类决策的模型，证明了成熟的机器学习技术可以应用于此领域
结论
确定哪个居住项目适合ASD患者是一个具有挑战性的过程，这一过程受到患者症状表现、伴随疾病的影响，以及该项目提供的具体护理内容和类型的影响。不当的安置可能导致额外的压力、延迟获得适当护理，以及搬迁到新环境的压力。目前尚无明确的指导原则来指导安置决策
机构审查
由于用于分析的所有数据均已去标识化，因此本研究无需IRB（机构审查委员会）的审查，不属于涉及人类受试者的研究。
缩写说明
本手稿中使用的缩写如下：
| ASD | 自闭症谱系障碍 |
| TCFD | 发现中心 |
| AI | 人工智能 |
| ADALINE | 自适应线性神经元 |
| BCR | 平衡正确率 |
| SCIP | 策略与危机干预和保护 |
| ICD | 国际疾病分类 |
| ACC | 准确率 |
| ASRS | 自闭症谱系评分量表 |
| BAMBI | 简短自闭症用餐行为量表 |
CRediT作者贡献声明
艾玛·丹多（Emma Dando）：撰写 – 审稿与编辑、初稿撰写、可视化、验证、软件开发、方法论设计、数据调查、正式分析。乌韦·克鲁格（Uwe Kruger）：软件开发、方法论设计。康纳·安德森（Conor Anderson）：数据整理。珍妮·福斯特（Jenny Foster）：数据整理。特蕾莎·哈姆林（Theresa Hamlin）：概念构思。尤尔根·汉（Juergen Hahn）：撰写 – 审稿与编辑、监督、资源协调、项目管理、方法论设计、资金获取、概念构思。
知情同意
所有参与研究的受试者均获得了家长同意和个人同意，这些同意是他们在“发现中心”接受常规数据收集的必要条件。在开始研究之前，所有数据均已去标识化，本研究中仅使用了去标识化的数据。
资金
本研究未获得任何外部资助。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的研究。
致谢
作者感谢“发现中心”的工作人员以及同意让他们的数据被使用的居民及其家人。作者还要感谢詹妮弗·费里纳（Jennifer Ferina）在处理数据不平衡、缺失数据及其他实际数据处理问题方面的专业支持，以及哈利勒·阿里奇（Halil Arici）在时间框架方面的建议。作者还要感谢RPI IDEA计算集群团队（RPI IDEA Computing Cluster）和RPI CCI提供的支持
