Shyam Sundar Rajagopalan s Karolinska Instituteta u Stockholmu i suradnici razvili su i potvrdili ML model za predviđanje ASD-a korištenjem određenih medicinskih informacija. Provedena je retrospektivna analiza baze podataka Simons Foundation Powering Autism Research for Knowledge, uključujući podatke od 30.660 sudionika (15.330 s i 15.330 bez ASD-a). Generalizirajući ML modeli predviđanja razvijeni su pomoću četiri algoritma: logističke regresije, stabla odlučivanja, model slučajne šume i eXtreme Gradient Boosting (XGBoost).

Istraživači su otkrili da je model XGBoost pokazao najbolju izvedbu, s rezultatom površine ispod ROC krivulje (engl. area under the receiver operating characteristic curve, AUROC) od 0,895; osjetljivost 0,805 i specifičnost 0,829 te pozitivnu prediktivnu vrijednost od 0,897. Najvažniji prediktori bile su razvojne prekretnice i prehrambeno ponašanje. AUROC od 0,790 primijećen je pri validaciji na neovisnim kohortama, što ukazuje na dobru mogućnost generalizacije.

Rane medicinske informacije u klinikama za skrb o djeci mogu se koristiti za probir onih kod kojih postoji veća vjerojatnost da će im se dijagnosticirati ASD.