Détection précoce de l’autisme : ce que les bases de santé et l’IA repèrent

En apparence, un dossier médical rassemble des consultations, des codes et des comptes rendus. En réalité, ces traces peuvent faire apparaître des motifs liés au développement ou au parcours de soins. L’intelligence artificielle cherche ensuite à transformer ces motifs en alertes utilisables par les professionnels, sans remplacer leur jugement.

Un signal ne diagnostique jamais.

La base repère des traces, pas une personne

Une base de santé conserve des informations produites au fil des soins. Elle peut rapprocher des observations, des questionnaires ou des données administratives, mais elle ne restitue jamais toute une histoire développementale. Elle ne montre pas non plus la façon dont une difficulté varie selon le contexte, les interlocuteurs ou les besoins de l’enfant.

Une revue de portée publiée dans BMJ Open en 2026 a cartographié les travaux consacrés à l’identification précoce de l’autisme à partir de bases de santé. La recherche a porté sur des études menées sans restriction d’âge, de pays ou de contexte de soins. Les auteurs ont recherché les publications jusqu’en décembre 2024, puis ont actualisé leur recherche en mars 2026.

Cette publication décrit un champ de recherche. Elle ne valide pas un algorithme unique pour la pratique courante. Les données peuvent aider à repérer des associations avec des caractéristiques développementales ou des parcours de soins, mais une association ne prouve ni une cause ni la présence d’un autisme chez une personne précise.

Du signal à l’évaluation, le vrai changement de niveau

Pour rappel, le dépistage et le diagnostic ne désignent pas la même étape. Un questionnaire ou un modèle estime qu’un profil mérite une attention plus approfondie. Le diagnostic repose ensuite sur l’histoire du développement, l’observation, l’échange avec les proches, le jugement clinique et des outils standardisés. Une équipe pluridisciplinaire peut aussi comparer plusieurs hypothèses, car des difficultés de communication, des comportements répétitifs ou une surcharge sensorielle peuvent avoir des significations différentes.

Une aide peut commencer avant la fin de cette évaluation. Selon les besoins observés, les professionnels peuvent proposer un accompagnement de la communication, des adaptations scolaires ou un soutien ciblé. Attendre le diagnostic définitif pour répondre à une difficulté concrète peut donc retarder une intervention utile.

Le parcours commence par une inquiétude datée

1. Décrire les faits. Notez ce qui est observé, à quel âge, dans quel contexte et avec quelle fréquence : difficultés de communication, jeu répétitif, réactions aux informations sensorielles ou changement dans les habitudes.
2. Partager ces observations. Un médecin ou un pédiatre peut les mettre en regard du développement attendu et rechercher d’autres explications.
3. Demander un dépistage si nécessaire. Un résultat positif indique qu’une évaluation plus complète mérite d’être envisagée. Il ne confirme pas un diagnostic.
4. Agir sur les besoins visibles. Un accompagnement de la communication ou des adaptations peuvent être discutés pendant que l’évaluation se poursuit.

Les signes se combinent et changent de sens selon le contexte

En réalité, aucun comportement isolé ne permet de conclure. Une difficulté de communication, un comportement répétitif ou une réaction forte aux informations sensorielles peut avoir plusieurs explications. La combinaison des signes, leur durée et leur effet sur la vie quotidienne apportent davantage d’informations qu’une liste cochée rapidement.

Cette diversité explique pourquoi un modèle statistique ne peut pas se contenter d’un indice unique. Il doit être testé sur des populations et des contextes différents. Une donnée absente, une pratique de codage différente ou un accès inégal aux soins peuvent modifier le profil enregistré dans la base.

L’accès à une évaluation spécialisée reste limité dans de nombreux contextes, ce qui alimente l’intérêt pour des outils de dépistage assisté. Mais une alerte n’a de portée pratique que si elle ouvre vers un professionnel capable de l’examiner et vers un accompagnement adapté.

Quand l’IA apprend à reconnaître des motifs

Une revue publiée dans Current Psychiatry Reports le 31 juillet 2026 décrit les recherches récentes sur l’IA appliquée au dépistage précoce de l’autisme chez l’enfant. Les modèles qui combinent des questionnaires, des vidéos et des enregistrements audio obtiennent souvent de meilleurs résultats que ceux qui utilisent une seule source. La revue précise toutefois que la plupart des travaux restent expérimentaux, avec de petits échantillons et une validation limitée dans les consultations ordinaires.

Un article publié dans Diagnostics en décembre 2025 fournit un exemple chiffré. Dans le jeu de données étudié, une forêt aléatoire a atteint une exactitude de 98,85 %, contre 97,70 % pour un modèle à vecteurs de support et 90,53 % pour une régression logistique. Les chercheurs ont utilisé une analyse SHAP pour estimer la contribution de chaque caractéristique aux prédictions.

Ces pourcentages décrivent la performance de modèles dans les conditions de cette étude. Ils ne donnent pas la probabilité qu’un enfant précis soit autiste. Avant une utilisation clinique, il faudrait vérifier les résultats sur d’autres populations, dans d’autres établissements et avec des données moins complètes.

Le score doit pouvoir s’expliquer

Surtout, un modèle utile doit permettre de comprendre les éléments qui ont pesé dans sa prédiction. Des méthodes comme SHAP peuvent montrer la contribution de certaines variables. Elles ne prouvent pas que ces variables causent l’autisme et ne corrigent pas une donnée absente ou un biais de recrutement.

La transparence concerne aussi les conditions d’utilisation. Il faut savoir quelles données ont servi à entraîner le modèle, sur quelle population il a été testé et dans quelles situations ses résultats deviennent moins fiables. Sans ces informations, un chiffre précis peut donner une impression de certitude qu’il ne mérite pas.

Trois garde-fous contre le faux diagnostic

Un résultat de dépistage reste une orientation

Un questionnaire positif ou une alerte algorithmique indique qu’une évaluation mérite d’être envisagée. Il ne prédit pas à lui seul les besoins de soutien, la trajectoire de développement ou la personnalité de l’enfant.

Une base dépend de ce qu’elle enregistre

Les personnes qui consultent, les informations recueillies et les pratiques de codage influencent les données disponibles. Un modèle peut donc être moins pertinent dans un contexte différent de celui où il a été conçu.

Le besoin passe avant le score

Une difficulté de communication ou une surcharge sensorielle peut justifier un accompagnement même si le modèle ne produit aucune alerte. À l’inverse, une alerte doit être expliquée et vérifiée avant toute décision.

La donnée alerte, le clinicien évalue.