アイトラッキングデータを用いた小児・思春期における自閉症スペクトラム障害の機械学習に基づく診断：系統的レビューおよびメタ分析

目的：アイトラッキング技術は、自閉症スペクトラム障害（ASD）の個人と通常発達（TD）の個人を区別するための客観的な手法として、ますます注目されている。人工知能および機械学習（ML）の手法は、ASDの診断と治療を支援するために広く応用されており、先行研究では、アイトラッキングデータを活用したMLモデルが高い診断精度を達成できることが示唆されている。 本システマティックレビューおよびメタ解析は、ASDの児童・青年とTDの同年代の子供を区別するために眼球追跡データを用いた機械学習モデルの診断性能を評価することを目的とした。方法：PubMed、Embase、Web of Science、IEEE Xplore、Scopus、およびCochrane Libraryを創刊から2025年8月3日まで系統的に検索した。 本研究では、ASD児とTD児を区別するためにアイトラッキングデータに機械学習手法を適用した研究を対象とした。参加者特性、モデルの性能、アイトラッキングプロトコル、および機械学習アルゴリズムに関するデータを抽出した。本レビューのプロトコルはPROSPERO（CRD420251162462）に登録された。

結果：1,045件の記録を特定し、そのうち25件の研究をメタ解析に含めた。対象研究には2,319名の参加者が含まれており、各研究のサンプルサイズは32名から529名の範囲であった。 自閉スペクトラム障害（ASD）児と通常発達（TD）児を区別するためにアイトラッキングデータを用いた機械学習モデルの統合された精度、感度、特異度は、それぞれ85％（95％CI、81-89％）、86％（95％CI、82-89％）、86％（95％CI、79-91％）であった。 これらの結果は、アイトラッキングに基づく機械学習アプローチがASDの特定において良好な診断性能を有することを示唆している。結論：アイトラッキングに基づく機械学習アプローチは、ASD児とTD児を区別する上でかなりの可能性を示している。しかし、外部検証の欠如、サンプルサイズの小ささ、および研究間の著しい異質性により、これらの知見の堅牢性と一般化可能性は制限されている。 一般化可能性を確立するためには、今後の研究では、標準化されたアイトラッキング・パラダイムと、外部検証を伴う大規模な前向き多施設共同研究デザインを優先すべきである。こうした取り組みにより、これらのモデルを客観的かつ効率的な補助的スクリーニングツールとして臨床現場に導入することが容易になる可能性がある。