Nyt Philadelphian lastensairaalan (CHOP) autismitutkimuksen keskuksen (Center for Autism Research) tutkijat ovat kehittäneet uuden menetelmän motorisen jäljitelmän mittaamiseksi, mikä on lisännyt kasvavaan joukkoon laskennallisia käyttäytymisanalyysityökaluja, jotka voivat havaita ja karakterisoida motorisia eroja lapsilla. autismi. Menetelmää kuvaava tutkimus esiteltiin hiljattain osana kansainvälistä multimodaalista vuorovaikutusta koskevaa konferenssia.
Tutkijat ovat olleet kiinnostuneita moottorin jäljitelystä keinona tutkia autismia jo vuosikymmeniä. Jäljittely on tärkeää varhaisessa kehityksessä, ja jäljitelmäerot voivat olla perustana sille, kuinka autististen sosiaaliset erot esiintyvät. Sekä rakeisten että skaalautuvien jäljitelmämittojen luominen on kuitenkin osoittautunut haastavaksi. Aiemmin tutkijat ovat luottaneet emoraporttien mittauksiin tiettyjen jäljitelmien virstanpylväiden osalta, mutta ne eivät välttämättä ole riittävän tarkkoja yksilöllisten erojen mittaamiseksi tai ajan mittaan muuttumiseksi. Toiset ovat käyttäneet käyttäytymiskoodausjärjestelmiä tai erikoistehtäviä ja laitteita jäljitelmätaitojen vangitsemiseksi, jotka ovat resurssivaltaisia eivätkä välttämättä ole suurimman osan väestöstä saatavilla.
"Usein painotetaan jäljitellyn toiminnan lopputilan tarkkuutta, eikä siinä oteta huomioon kaikkia tähän pisteeseen pääsemiseksi tarvittavia vaiheita", sanoi Casey Zampella, PhD, tutkija CAR:sta ja tutkimuksen ensimmäinen kirjoittaja. ”Toimintoja voidaan pitää tarkkoina sen perusteella, mihin lapsi päätyy, mutta se jättää huomiotta lapsen perille päätymisprosessin. Se, miten toiminto etenee, on joskus tärkeämpää motoristen erojen luonnehdinnassa kuin miten se päättyy. Mutta tämän avautumisen vangitseminen vaatii hienorakeista ja moniulotteista lähestymistapaa."
Tämän ratkaisemiseksi CAR:n tutkijat kehittivät uuden, pitkälti automatisoidun laskentamenetelmän moottorin jäljitelmän arvioimiseksi. Osallistujia ohjeistetaan jäljittelemään liikesarjaa ajassa videolla. Menetelmä seuraa kehon liikettä kaikissa raajan nivelissä koko jäljitelmätehtävän ajan sekä 2D- että 3D-kameralla. Menetelmässä hyödynnetään myös uutta lähestymistapaa, joka selvittää, onko osallistujalla omassa kehossaan motorisia koordinaatioongelmia, jotka voivat vaikuttaa hänen kykyynsä koordinoida liikkeitä muiden kanssa. Suorituskykyä mitataan toistuvilla tehtävillä.
Tällä menetelmällä tutkijat pystyivät erottamaan autistiset osallistujat tyypillisesti kehittyvistä nuorista 82 prosentin tarkkuudella. Tutkijat osoittivat myös, että erot eivät johtuneet vain ihmisten välisestä koordinaatiosta videon kanssa, vaan myös sisäisestä koordinaatiosta. Sekä 2D- että 3D-seurantaohjelmistolla oli sama tarkkuus, mikä tarkoittaa, että lapset voivat pystyä tekemään testejä kotona ilman erityisiä laitteita.
"Tällaisten testien avulla voimme oppia lisää autististen ihmisten välisistä eroista, mutta ne voivat myös auttaa meitä mittaamaan tuloksia, kuten hoidon tehokkuutta tai muutoksia heidän elämässään", sanoi Birkan Tunç, PhD, laskennallinen tutkija CAR:sta. ja vanhempi tutkimuksen kirjoittaja. "Kun tämä testi lisätään moniin muihin tällä hetkellä kehitettäviin laskennallisiin käyttäytymisanalyysitesteihin, olemme lähestymässä pistettä, jossa voimme mitata useimmat kliinikon havaitsemat käyttäytymismerkit."