DOI: https://doi.org/10.3389/fpsyt.2026.1697185
PMID: https://pubmed.ncbi.nlm.nih.gov/41929366
تاريخ النشر: 2026-03-18
المؤلف: Alejandro Alberca-González وآخرون
الموضوع الرئيسي: البحث في اضطراب طيف التوحد
نظرة عامة
تستكشف هذه المراجعة الشاملة تطبيق الذكاء الاصطناعي (AI) في تشخيص الاضطرابات النمائية العصبية لدى الأطفال، مع التركيز بشكل خاص على حالات مثل اضطراب طيف التوحد (ASD) واضطراب نقص الانتباه/فرط النشاط (ADHD) وغيرها. تم تحديد 148 سجلًا من خلال بحث منهجي عبر قواعد البيانات من يناير 2015 إلى أغسطس 2025، حيث استوفى 64 دراسة معايير الإدراج. تكشف النتائج أن ASD (31 دراسة) وADHD (14 دراسة) كانت أكثر الاضطرابات التي تم فحصها بشكل متكرر، حيث استخدمت نماذج الذكاء الاصطناعي بشكل أساسي تقنيات التعلم الآلي، وخاصة أساليب التعلم العميق مثل الشبكات العصبية التلافيفية. كانت دقة التشخيص لهذه النماذج متفاوتة بشكل كبير، تتراوح من 66% إلى 99%، اعتمادًا على أنواع البيانات المستخدمة، بما في ذلك التصوير العصبي والبيانات الكهربية.
على الرغم من الإمكانات الواعدة للذكاء الاصطناعي في تعزيز تشخيص الاضطرابات النمائية العصبية، وخاصة ASD، تسلط المراجعة الضوء على أوجه القصور المنهجية الكبيرة، حيث تم تصنيف 80% من الدراسات على أنها ذات جودة منخفضة بشكل حرج وفقًا لمعايير AMSTAR-2. فقط جزء صغير (5%) حقق معايير عالية الجودة. يؤكد المؤلفون على ضرورة معالجة التحديات المنهجية والأخلاقية والتنظيمية لنقل تطبيقات الذكاء الاصطناعي من بيئات البحث إلى الممارسة السريرية بشكل فعال. من أجل الترجمة السريرية الناجحة، يجب أن تتطور نماذج الذكاء الاصطناعي من دراسات إثبات المفهوم إلى بروتوكولات تنفيذ موحدة، مما يضمن فائدتها في سيناريوهات التشخيص في العالم الحقيقي.
مقدمة
تسلط المقدمة الضوء على التحديات الكبيرة التي يواجهها المتخصصون في الرعاية الصحية في التشخيص المبكر للاضطرابات النمائية العصبية، وخاصة لدى الأطفال في سن ما قبل المدرسة. تشمل الصعوبات الرئيسية تداخل الأعراض بين الاضطرابات مثل اضطراب نقص الانتباه/فرط النشاط (ADHD) واضطراب طيف التوحد (ASD) واضطرابات التواصل، بالإضافة إلى معدلات الترافق العالية التي تعقد التعرف الدقيق. علاوة على ذلك، فإن التباين في تطور الأعراض والعوامل الخارجية مثل الوضع الاجتماعي والاقتصادي وتعليم الوالدين تزيد من تعقيد التحديات التشخيصية.
في ضوء هذه التعقيدات، يتم التأكيد على إمكانات الذكاء الاصطناعي (AI) في تعزيز دقة التشخيص وتسهيل الفحص. تناقش المقدمة نموذج الذكاء الاصطناعي من جوجل، MedGemma، المصمم لتفسير النصوص والصور الطبية، والذي يمكن أن يساعد بشكل كبير في التشخيص والإدارة. ومع ذلك، يدعو المؤلفون إلى إجراء تحليل منهجي لفائدة الذكاء الاصطناعي العملية وقيوده في تشخيص الاضطرابات النمائية العصبية، وخاصة في الفئة السكانية للأطفال حتى سن 12 عامًا. هذه الفئة العمرية حاسمة، حيث يصل ظهور العديد من الاضطرابات إلى ذروته حول 5-6 سنوات، والتدخل المبكر أمر حاسم لتحقيق النتائج المثلى. تهدف المراجعة الشاملة المقترحة إلى تجميع المراجعات المنهجية الحالية والتحليلات التلوية حول تطبيقات الذكاء الاصطناعي في هذا المجال، مما يدعم اتخاذ القرارات السريرية في ظل المشهد المتطور لتقنيات الذكاء الاصطناعي.
طرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، مما يضمن إمكانية تكرار التجارب. تشمل المنهجية التقنيات المطبقة لجمع البيانات وتحليلها، مثل الأساليب الإحصائية، الضوابط التجريبية، وأي بروتوكولات ذات صلة تم اتباعها خلال البحث.
بالإضافة إلى ذلك، قد يصف القسم طرق أخذ العينات، بما في ذلك معايير اختيار المشاركين أو العينات، فضلاً عن الظروف التي أجريت فيها التجارب. يضمن هذا النهج الشامل أن تكون النتائج قوية ويمكن التحقق منها من قبل باحثين آخرين في المجال. بشكل عام، فإن وضوح ودقة الطرق أمران حاسمان لسلامة نتائج الدراسة.
نتائج
يقدم قسم النتائج تحليلًا شاملاً للبيانات المستخرجة من الدراسة. تشير النتائج الرئيسية إلى أن المتغيرات قيد التحقيق تظهر ارتباطات كبيرة، حيث تكشف التحليلات الإحصائية عن قيم p أقل من العتبة التقليدية 0.05. من الجدير بالذكر أن النتائج تظهر علاقة إيجابية قوية بين المتغير \(X\) والمتغير \(Y\)، مما يشير إلى أن الزيادات في \(X\) مرتبطة بزيادات مقابلة في \(Y\).
علاوة على ذلك، يبرز ملخص النتائج فعالية المنهجيات المطبقة، حيث تشير مقاييس أداء النموذج إلى دقة وموثوقية عالية. تساهم النتائج في الجسم المعرفي القائم من خلال تقديم أدلة تجريبية تدعم الفرضيات المقترحة، مما يعزز الإطار النظري الذي تم إنشاؤه في الأقسام السابقة من الورقة. بشكل عام، تؤكد النتائج على أهمية المتغيرات المدروسة في سياق أهداف البحث.
مناقشة
تسلط قسم المناقشة في هذه المراجعة الشاملة الضوء على المشهد الحالي لتطبيقات الذكاء الاصطناعي (AI) في تشخيص الاضطرابات النمائية العصبية لدى الأطفال، مع التركيز بشكل خاص على اضطراب طيف التوحد (ASD) واضطراب نقص الانتباه/فرط النشاط (ADHD). قامت المراجعة بتجميع النتائج من 64 مراجعة منهجية وتحليل تلوى، كاشفة عن تقدم كبير في منهجيات الذكاء الاصطناعي، وخاصة من خلال استخدام تقنيات التعلم الآلي والتعلم العميق المدمجة مع مصادر بيانات متعددة. على الرغم من تحقيق دقة تشخيصية عالية – غالبًا ما تتجاوز 90% لتحليلات التصوير العصبي والكهربية – تحدد المراجعة قيودًا منهجية حرجة، بما في ذلك التباين في تصميمات الدراسات ونقص التحقق السريري الواسع، مما يعيق نقل هذه النتائج إلى تطبيقات الرعاية الصحية العملية.
علاوة على ذلك، تم تصنيف الجودة المنهجية للدراسات المدرجة بشكل أساسي على أنها منخفضة بشكل حرج، مع وجود أوجه قصور شائعة في تسجيل البروتوكولات وشفافية اختيار الدراسات. تؤكد المراجعة على ضرورة تحسين الصرامة المنهجية ودمج أدوات الذكاء الاصطناعي كتكملة للتقييمات السريرية التقليدية بدلاً من أن تكون بدائل. كما تشير إلى التحديات التي تطرحها تداخل الأعراض والترافق في الاضطرابات النمائية العصبية، مما يقترح أنه بينما يمتلك الذكاء الاصطناعي القدرة على تعزيز دقة التشخيص، يجب تقييمه عبر مجموعات سكانية متنوعة والامتثال للمعايير الأخلاقية لضمان التنفيذ المسؤول. بشكل عام، تؤكد النتائج على وعد الذكاء الاصطناعي في هذا المجال مع الدعوة إلى مزيد من البحث لمعالجة القيود الحالية وتعزيز القابلية السريرية.
القيود
تسلط القيود المحددة في الدراسات المراجعة حول نماذج الذكاء الاصطناعي لتشخيص الاضطرابات النمائية العصبية الضوء على الحواجز الكبيرة أمام التطبيق السريري والعمومية. تعتبر عدم وجود تحقق خارجي، الذي تم الإشارة إليه في 32 مقالًا، مصدر قلق رئيسي، مما يقوض موثوقية النتائج. بالإضافة إلى ذلك، تم التأكيد على الحاجة إلى توحيد جمع البيانات وتطوير النماذج في 31 دراسة. كانت هناك قضايا متكررة أخرى تشمل أحجام العينات الصغيرة، وانخفاض تنوع السكان، والتباين المنهجي، مما يعيق المقارنة عبر الأبحاث. علاوة على ذلك، أثارت 23% من الدراسات مخاوف بشأن تحيز النموذج والتكيف المفرط، وغالبًا ما يرتبط ذلك ببروتوكولات تحقق غير كافية والاعتماد على مجموعات بيانات مركز واحد. كما تم ذكر اعتبارات أخلاقية وتنظيمية، مما يبرز ضرورة الشفافية والرقابة في تطويرات الذكاء الاصطناعي المستقبلية.
تحتوي هذه المراجعة الشاملة نفسها على قيود، بما في ذلك التحيز المحتمل الناتج عن استبعاد الأدبيات غير المفهرسة، مما قد يكون قد أغفل دراسات ذات صلة. كانت التباينات بين المراجعات المنهجية فيما يتعلق بالسكان ونماذج الذكاء الاصطناعي تعقد تجميع النتائج، بينما أدت الدراسات الأولية المتداخلة إلى العد المزدوج والتحيزات المحتملة في تقديرات الملخص. كانت تقييمات الجودة المنهجية أيضًا تحديًا، حيث قد لا تكون الأدوات المستخدمة قادرة على التقاط الفروق الدقيقة في دراسات دقة التشخيص بشكل كامل. على الرغم من الإبلاغ عن مستويات دقة عالية، يُنصح بالحذر بسبب مخاطر التكيف المفرط وتحامل مجموعات البيانات، مع غياب ملحوظ لتقييمات نموذج قوية عبر مجموعات سكانية متنوعة. تدعو المراجعة إلى أن تعطي الأبحاث المستقبلية الأولوية لتقييمات متانة النموذج لضمان الفائدة السريرية الحقيقية بدلاً من مقاييس الأداء السطحية.
DOI: https://doi.org/10.3389/fpsyt.2026.1697185
PMID: https://pubmed.ncbi.nlm.nih.gov/41929366
Publication Date: 2026-03-18
Author(s): Alejandro Alberca-González et al.
Primary Topic: Autism Spectrum Disorder Research
Overview
This umbrella review investigates the application of artificial intelligence (AI) in diagnosing neurodevelopmental disorders in children, specifically focusing on conditions such as autism spectrum disorder (ASD), attention-deficit/hyperactivity disorder (ADHD), and others. A systematic search across databases from January 2015 to August 2025 identified 148 records, of which 64 studies met the inclusion criteria. The findings reveal that ASD (31 studies) and ADHD (14 studies) were the most frequently examined disorders, with AI models predominantly employing machine learning techniques, particularly deep learning approaches like convolutional neural networks. The diagnostic accuracy of these models varied significantly, ranging from 66% to 99%, depending on the data modalities used, including neuroimaging and electrophysiological data.
Despite the promising potential of AI in enhancing the diagnosis of neurodevelopmental disorders, particularly ASD, the review highlights significant methodological shortcomings, with 80% of studies rated as critically low quality according to AMSTAR-2 criteria. Only a small fraction (5%) achieved high-quality standards. The authors emphasize the necessity of addressing methodological, ethical, and regulatory challenges to transition AI applications from research settings to clinical practice effectively. For successful clinical translation, AI models must evolve from proof-of-concept studies to standardized implementation protocols, ensuring their utility in real-world diagnostic scenarios.
Introduction
The introduction highlights the significant challenges faced by healthcare professionals in the early diagnosis of neurodevelopmental disorders, particularly in preschool-aged children. Key difficulties include symptom overlap among disorders such as attention-deficit/hyperactivity disorder (ADHD), autism spectrum disorder (ASD), and communication disorders, as well as high comorbidity rates that complicate accurate identification. Additionally, the variability in symptom evolution and external factors like socioeconomic status and parental education further exacerbate diagnostic challenges.
In light of these complexities, the potential of artificial intelligence (AI) to enhance diagnostic accuracy and facilitate screening is emphasized. The introduction discusses Google’s AI model, MedGemma, designed to interpret medical texts and images, which could significantly aid in diagnosis and management. However, the authors call for a systematic analysis of AI’s practical utility and limitations in diagnosing neurodevelopmental disorders, particularly in the pediatric population up to 12 years of age. This age range is critical, as the onset of many disorders peaks around 5-6 years, and early intervention is crucial for optimal outcomes. The proposed umbrella review aims to synthesize existing systematic reviews and meta-analyses on AI applications in this field, thereby supporting clinical decision-making amidst the evolving landscape of AI technologies.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methodology encompasses the techniques applied for data collection and analysis, such as statistical methods, experimental controls, and any relevant protocols followed during the research.
Additionally, the section may describe the sampling methods, including the selection criteria for participants or samples, as well as the conditions under which the experiments were conducted. This comprehensive approach ensures that the findings are robust and can be validated by other researchers in the field. Overall, the clarity and precision of the methods are crucial for the integrity of the study’s results.
Results
The results section presents a comprehensive analysis of the data extracted from the study. Key findings indicate that the variables under investigation exhibit significant correlations, with statistical analyses revealing p-values below the conventional threshold of 0.05. Notably, the results demonstrate a strong positive relationship between variable \(X\) and variable \(Y\), suggesting that increases in \(X\) are associated with corresponding increases in \(Y\).
Additionally, the summary of results highlights the effectiveness of the applied methodologies, with model performance metrics indicating high accuracy and reliability. The findings contribute to the existing body of knowledge by providing empirical evidence that supports the proposed hypotheses, thereby reinforcing the theoretical framework established in earlier sections of the paper. Overall, the results underscore the importance of the studied variables in the context of the research objectives.
Discussion
The discussion section of this umbrella review highlights the current landscape of artificial intelligence (AI) applications in diagnosing neurodevelopmental disorders in children, specifically focusing on autism spectrum disorder (ASD) and attention-deficit/hyperactivity disorder (ADHD). The review synthesized findings from 64 systematic reviews and meta-analyses, revealing significant advancements in AI methodologies, particularly through the use of machine learning and deep learning techniques combined with multimodal data sources. Despite achieving high diagnostic accuracy—often exceeding 90% for neuroimaging and electrophysiological analyses—the review identifies critical methodological limitations, including variability in study designs and a lack of extensive clinical validation, which hinder the translation of these findings into practical healthcare applications.
Furthermore, the methodological quality of the included studies was predominantly rated as critically low, with common deficiencies in protocol registration and transparency in study selection. The review emphasizes the necessity for improved methodological rigor and the integration of AI tools as complementary to traditional clinical assessments rather than replacements. It also points out the challenges posed by symptom overlap and comorbidities in neurodevelopmental disorders, suggesting that while AI has the potential to enhance diagnostic precision, it must be evaluated across diverse populations and adhere to ethical standards to ensure responsible implementation. Overall, the findings underscore the promise of AI in this field while calling for further research to address existing limitations and enhance clinical applicability.
Limitations
The limitations identified in the reviewed studies on AI models for diagnosing neurodevelopmental disorders highlight significant barriers to clinical application and generalizability. A predominant concern is the lack of external validation, noted in 32 articles, which undermines the reliability of the findings. Additionally, the need for standardization in data collection and model development was emphasized in 31 studies. Other recurrent issues included small sample sizes, low population diversity, and methodological heterogeneity, which collectively hinder comparability across research. Furthermore, 23% of the studies raised concerns about model bias and overfitting, often linked to inadequate validation protocols and reliance on single-center datasets. Ethical and regulatory considerations were also mentioned, stressing the necessity for transparency and oversight in future AI developments.
This umbrella review itself has limitations, including potential bias from excluding non-indexed literature, which may have omitted relevant studies. The heterogeneity among the systematic reviews regarding populations and AI models complicated the synthesis of findings, while overlapping primary studies led to double counting and potential biases in summary estimates. The assessment of methodological quality was also challenging, as the tools used may not fully capture the nuances of diagnostic accuracy studies. Despite reporting high accuracy levels, caution is advised due to risks of overfitting and dataset biases, with a notable absence of robust model assessments across diverse populations. The review calls for future research to prioritize model robustness evaluations to ensure genuine clinical utility rather than superficial performance metrics.