Large-Scale Assessment of Language, Speech, and Movement in Autism and ADHD with AI

Dit onderzoek toont aan dat grootschalige AI-analyses van taal, spraak en beweging tijdens klinische interviews de overlappende symptomen van autisme en ADHD kunnen ontwarren door specifieke gedragskenmerken te identificeren die uniek zijn voor elke stoornis.

De kern

Hoe AI de "taal" van het brein leest: Een reis door ADHD en Autisme

Stel je voor dat je een enorme bibliotheek hebt met duizenden video-opnames van kinderen die een kort filmpje hebben gezien en er daarna over praten met een vriendelijke onderzoeker. Normaal gesproken zou een mens er dagen over doen om al die video's te bekijken en te noteren: "Die ene kijkt veel om zich heen," of "Die praat heel snel."

In dit onderzoek hebben de auteurs een slimme computer (kunstmatige intelligentie of AI) ingezet om die bibliotheek in een flits te "lezen". Ze wilden een groot raadsel oplossen: ADHD en Autisme lijken vaak op elkaar, maar wat maakt ze echt verschillend?

Hier is wat ze ontdekten, vertaald in begrijpelijke taal:

1. De "Taal" van het Brein: Wat zegt het?

Veel mensen denken dat kinderen met ADHD moeite hebben met taal of niet goed kunnen vertellen wat er aan de hand is. Maar deze studie zegt: "Nee, dat klopt niet zo!"

• De Analogie: Stel je voor dat taal een auto is. De onderzoekers ontdekten dat de "motor" van die auto (de woordenschat en zinsbouw) bij kinderen met ADHD net zo goed draait als bij andere kinderen. Als ze soms wat minder goed praten, komt dat meestal niet door ADHD zelf, maar omdat ze jonger zijn of omdat ze ook Autisme hebben.
• Het Autisme-verschil: Bij kinderen met Autisme zag de AI iets anders. Hun "taal" was grammaticaal prima, maar ze vertelden het verhaal op een heel eigen manier. Ze misten soms de "grote lijn" (het verhaal van het filmpje) en zagen de wereld vanuit een heel specifiek, eigen perspectief. Alsof ze een film kijken, maar alleen de kleuren van de kleding van de personages opmerken, en niet wat er gebeurt.

2. De "Stem" van het Brein: Hoe klinkt het?

De AI luisterde niet alleen naar wat er gezegd werd, maar ook naar hoe het klonk.

• Autisme: Kinderen met Autisme hadden een heel herkenbaar geluid. Hun stem was vaak wat hoger, veranderde meer in toonhoogte (alsof ze een liedje zingen in plaats van praten) en klonk soms wat "ruwer" of meer ademrijk. Het was alsof hun stem een uniek instrument was dat op een andere manier bespeeld werd.
• ADHD: Hier was geen specifiek geluid te horen. De stem van een kind met ADHD klonk net zo als die van een ander kind.

3. De "Lichaamsbeweging": Wie zit niet stil?

Dit was misschien wel het meest opvallende stukje. De AI keek naar elke beweging: wie wiegt met zijn hoofd, wie wiebelt met zijn benen, wie beweegt zijn handen?

• ADHD (de onrustige variant): Hier zag de AI een duidelijke lijn. Kinderen met de "hyperactieve" vorm van ADHD bewogen hun hele lichaam, gezicht en ogen veel meer dan anderen. Het was alsof hun lichaam een constante motor had die niet uit kon.
• Autisme: Hier was de AI verrast. Ondanks dat Autisme vaak geassocieerd wordt met herhalende bewegingen (wiebelend heen en weer), zag de AI dit niet als een algemene beweging in deze gesprekken. De bewegingen van kinderen met Autisme leken meer op die van andere kinderen, tenzij ze ook ADHD hadden.

De Grote Conclusie: Het is een mix, geen losse blokken

Vroeger dachten we: "Dit kind heeft ADHD, dus hij kan niet stilzitten en praat raar." Of: "Dit kind heeft Autisme, dus hij praat raar en beweegt raar."

Deze studie zegt: "Nee, het is ingewikkelder."

• ADHD is vooral te herkennen aan beweging (onrust).
• Autisme is vooral te herkennen aan sociale taal (het verhaal vertellen) en stemgeluid.
• Als een kind beide heeft, zie je een combinatie van deze kenmerken.

Waarom is dit belangrijk?

Stel je voor dat je een dokter bent die probeert een diagnose te stellen. Vaak is dat lastig omdat symptomen overlappen. Deze AI werkt als een super-scherpe bril. Hij kan de "ruis" van de leeftijd en de intelligentie filteren en precies laten zien welke knopje er op het brein van het kind is ingedrukt.

Dit betekent dat we in de toekomst sneller en nauwkeuriger kunnen zeggen: "Ah, dit gedrag komt door de onrust (ADHD), en dat andere gedrag komt door de sociale uitdaging (Autisme)." Zo kunnen we kinderen beter helpen, precies op de plek waar ze het nodig hebben, in plaats van ze in één groot bakje "ADHD of Autisme" te gooien.

Kortom: De computer heeft ontdekt dat ADHD en Autisme twee verschillende "dialoogstijlen" zijn. De een beweegt te veel, de ander vertelt het verhaal op een heel eigen manier. En dankzij deze slimme technologie kunnen we die verschillen eindelijk helder zien.

Technische samenvatting

Probleemstelling

Attention-Deficit/Hyperactivity Disorder (ADHD) en Autism Spectrum Disorder (ASD) komen vaak gelijktijdig voor (comorbiditeit) en vertonen overlappende symptomen, wat de diagnostische scheidslijnen vervuilt. Traditionele diagnostiek is afhankelijk van klinische observaties en vragenlijsten, wat subjectief kan zijn en moeilijk schaalbaar is. Bestaande studies naar gedragseigenschappen (zoals taalgebruik, spraakprosodie en motoriek) zijn vaak beperkt in omvang (<50 deelnemers), analyseren de aandoeningen gescheiden, of falen om ontwikkelingsfactoren (zoals leeftijd en IQ) adequaat te controleren. Hierdoor is het onduidelijk welke gedragssignaturen specifiek zijn voor ADHD of ASD, en welke het gevolg zijn van comorbiditeit of normale ontwikkeling.

Methodologie

De auteurs hebben een grootschalige, geautomatiseerde analyse uitgevoerd op data van de Healthy Brain Network (HBN) cohort, bestaande uit 2.341 jongeren (leeftijd 5–22 jaar).

1. Data Collectie: Deelnemers bekeken de korte animatiefilm "The Present" en ondergingen vervolgens een semi-gestructureerd klinisch interview. Hierbij werden vragen gesteld over narratief geheugen, feitelijke herinnering, emotionele interpretatie en perspectiefneming (Theory of Mind).
2. AI-Pipeline: Er werd een geavanceerde AI-pipeline toegepast om audio-video opnames objectief te analyseren in drie domeinen:
   • Taal (Language): Transcriptie met WhisperX, gescheiden van de interviewer via een Large Language Model (LLM). Er werden structurele taalmetrieken (lexicale diversiteit, woordcoherentie) en pragmatische aspecten (zelfgerichte spraak, narratieve coherentie) afgeleid.
   • Spraak (Speech Prosody): Acoustische kenmerken zoals gemiddelde toonhoogte (pitch), variatie in pitch, luidheid, dysfonie en ademhaling werden geëxtraheerd.
   • Beweging (Movement): Computer Vision (Google Mediapipe) werd gebruikt om frame-tot-frame verplaatsing van gezicht, ogen, mond en bovenlichaam te kwantificeren.
3. Statistische Analyse: Er werden multivariate regressiemodellen gebruikt om de unieke bijdrage van de diagnoses (ASD, ADHD-Inattentief, ADHD-Hyperactief) te isoleren, terwijl tegelijkertijd werd gecontroleerd voor verstorende factoren: Leeftijd, Geslacht en IQ. In tegenstelling tot eerdere studies die comorbiditeit als een aparte categorie behandelden, modelleerden de auteurs de diagnoses als onafhankelijke, additieve dimensies.

Belangrijkste Bijdragen

• Schaal: Dit is een van de grootste studies die natuurlijke klinische interacties analyseert met AI, met een steekproef van meer dan 2.000 deelnemers.
• Ontmaskering van Overlappende Symptomen: De studie toont aan dat veel taalproblemen die eerder aan ADHD werden toegeschreven, in feite worden gedreven door leeftijd, IQ of de aanwezigheid van comorbiditeit met ASD.
• Specifieke Gedragsimpen: De auteurs identificeren unieke, objectieve "digitale fenotypen" voor elke aandoening die losstaan van elkaar, zelfs bij comorbiditeit.
• Open Science: De volledige code-pipeline voor transcriptie, diarizatie en gedragsextractie is openbaar beschikbaar gesteld.

Resultaten

1. Taal en Cognitie:

   • Structuur: Structurele taalvaardigheden (woordenschat, zinsbouw) worden overweldigend bepaald door ontwikkeling (leeftijd) en IQ, niet door de diagnose ADHD of ASD.
   • ASD-specifiek: ASD werd uniek gekenmerkt door afwijkende narratieve productie (minder typische verhalen), moeite met thematisch begrip (het "gist" missen) en atypische perspectiefneming. Ook werd een verhoogd gebruik van zelfreferentiële taal (ik/mij) gevonden bij ASD.
   • ADHD: Na controle voor leeftijd, IQ en ASD, toonde ADHD geen onafhankelijke associatie met narratieve of sociale cognitieve vaardigheden.

2. Spraakprosodie (Stem):

   • ASD heeft een duidelijk, specifiek vocaal profiel: hogere gemiddelde toonhoogte, grotere variatie in toonhoogte, hogere luidheid, meer dysfonie en meer ademhaling.
   • Geen van deze vocale kenmerken was significant geassocieerd met ADHD, wat suggereert dat dit een sterk onderscheidend kenmerk is voor ASD.

3. Motoriek:

   • ADHD-Hyperactief: Er werd een sterke associatie gevonden tussen ADHD-Hyperactief en verhoogde beweging in gezicht, ogen en bovenlichaam.
   • ASD en ADHD-Inattentief: Geen van deze groepen toonde significante afwijkingen in de gemeten globale kinematica. Dit suggereert dat de specifieke "onrust" van ADHD-Hyperactief objectief kan worden onderscheiden van de motorische patronen van ASD (die mogelijk subtieler of repetitiever zijn en niet door deze globale metrics worden gevangen).

Betekenis en Conclusie

De studie demonstreert dat schaalbare, digitale beoordeling via opgenomen klinische interviews effectief overlappende diagnoses van ASD en ADHD kan ontwarren in domeinspecifieke gedragsimpen.

• Diagnostische Validatie: De bevindingen ondersteunen het idee dat taaldeficiënties bij ADHD vaak secundair zijn aan andere factoren (zoals executieve functies of comorbiditeit), terwijl sociale-cognitieve en narratieve afwijkingen centraal staan bij ASD.
• Toekomstige Toepassing: Deze AI-gedreven methoden kunnen dienen als objectieve biomarkers om de diagnose te verfijnen, het verloop van symptomen te monitoren en de effectiviteit van behandelingen te evalueren, zonder afhankelijk te zijn van subjectieve observaties.
• Paradigmaverschuiving: De studie pleit voor een verschuiving van categorische diagnostiek naar een dimensionale benadering, waarbij specifieke gedragsdimensies (zoals hyperactiviteit of narratieve coherentie) onafhankelijk worden gemodelleerd.

Kortom, deze research toont aan dat AI in staat is om subtiele, maar robuuste verschillen in taal, stem en beweging te detecteren die de kern van ASD en ADHD onderscheiden, zelfs in complexe, gemengde populaties.