De route naar een autismediagnose bij volwassenen lijkt soms op een file zonder verkeersinformatie. Je weet ongeveer waar je heen wilt, maar je hebt geen idee hoe lang het gaat duren, waar de opstoppingen zitten en of je misschien al die tijd de verkeerde afslag overweegt.
Dat is frustrerend voor mensen die al jaren voelen dat “iets” niet klopt, voor naasten die meezoeken en ook voor professionals die moeten puzzelen met beperkte tijd en budget. Tegelijk werkt diagnostiek niet als een broodje afrekenen bij de snelkassa. Autisme gaat immers niet over één los kenmerk, maar over een patroon dat zich kan verstoppen achter slimme strategieën, routines, een sterk aanpassingsvermogen of juist een leven lang ‘doorgaan tot je omvalt’.
Een nieuwe studie in Translational Psychiatry onderzocht daarom iets spannends: kun je met online taakjes (dus meten wat iemand dóét) en machine learning (een algoritme dat patronen leert herkennen) volwassenen met autisme redelijk nauwkeurig onderscheiden van volwassenen zonder autisme? En… Leveren die taakjes informatie op die de bekende vragenlijsten níét pakken?
Het antwoord is ja. Het “samenvoegen van veel kleine signalen” bleek de kracht.
Waarom vragenlijsten bij volwassenen vaak tekortschieten
Vragenlijsten over autisme zijn populair, logisch ook: ze zijn snel, goedkoop en laagdrempelig. Alleen zit daar een valkuil in, zeker bij volwassenen.
Bij autisme kunnen mensen jarenlang ‘leren’ wat er sociaal verwacht wordt. Niet omdat het vanzelf gaat, maar omdat het geoefend is: scripts, regels, nabootsen, vermijden, compenseren. Dat heet maskeren. Het gevolg: iemand kan op papier heel “gemiddeld” scoren en in het dagelijks leven toch continu overbelast raken.
De onderzoekers wilden daarom óók kijken naar prestatie: niet alleen “wat zeg je over jezelf?”, maar ook “wat gebeurt er als je een taak moet doen, onder tijdsdruk, met prikkels, met keuzes?”
Wat bedoelen we met ‘objectieve’ online taken?
“Objectief” klinkt zwaar, maar het idee is simpel: je geeft iemand een korte taak op de computer en je meet bijvoorbeeld:
- hoe snel iemand reageert
- hoeveel fouten iemand maakt
- welke fouten iemand maakt
- of iemand wisselt tussen strategieën
- of prestaties schommelen als de taak lastiger wordt
Dat soort metingen kan iets zichtbaar maken dat je niet makkelijk onder woorden brengt. Bijvoorbeeld: je herkent emoties wel, maar je hebt er langer voor nodig.
Het onderzoek
De studie gebruikte data van een reeks eerdere online experimenten met dezelfde (deels overlappende) takenbatterij. Alles liep online via Neurotask, een platform voor cognitieve taken. Er deden uiteindelijk 552 volwassenen mee in de analyse:
- 286 volwassenen met autisme (diagnose gemeld als gesteld door een bevoegde professional)
- 266 volwassenen zonder autisme
Omdat de groepen in leeftijd en man/vrouw-verhouding verschilden, maakten de onderzoekers daarnaast een 100% leeftijd- en gender-gematchte subsample van 125 per groep. Die gematchte groep geeft een eerlijker indruk van wat de taken écht bijdragen, zonder dat leeftijd of gender het resultaat per ongeluk ‘meetrekt’.
Drie soorten taken: Prikkels, emoties en ‘regelknoppen’
De taken vielen grofweg in drie domeinen:
| Domein | Wat werd gemeten? | Voorbeeld van wat je ziet in data |
|---|---|---|
| Multisensorische verwerking | Hoe je brein beeld en geluid samenvoegt en hoe je omgaat met timingverschillen | Mis je soms de “lippen + stem”-combinatie of raak je sneller in de war als timing net niet klopt? |
| Emotieherkenning | Herken je emoties uit gezichten, ogen of intonatie | Klopt je antwoord, maar duurt het langer? Of gaat het juist mis bij subtiele emoties? |
| Executieve functies | De ‘regelknoppen’ in je brein: remmen, richten, werkgeheugen, schakelen | Blijf je hangen in één strategie, maak je impulsieve klikken, of schommelt je tempo? |
Hhet ging niet om één “autisme-test”, maar om een batterij met meerdere metingen, die samen een profiel vormen.
Autisme is heterogeen
Bij autisme zie je niet één soort brein, maar veel varianten. De één heeft vooral moeite met sociale timing, de ander met schakelen, de volgende met prikkelverwerking, en weer een ander met stressregulatie. Als je dan één taak pakt, kun je makkelijk “net niks” vinden.
Als losse puzzelstukjes klein zijn, wat gebeurt er dan als je ze samenlegt?
De onderzoekers gebruikten een machine learning-methode die random forest heet. Denk aan een bos van beslisbomen.
- Eén beslisboom kan dom zijn: die ziet één regel en trekt te snel conclusies.
- Een heel bos aan bomen kan slimmer zijn: elke boom kijkt naar een andere mix van kenmerken.
- Het eindantwoord is een soort “stemmen tellen”: wat zegt het bos samen?
Zo’n model kan patronen oppikken die je met één simpele vergelijking mist. Bijvoorbeeld: “als emotietempo iets trager is én werkgeheugenfouten nét anders verdeeld zijn én responsremming in een bepaald hoekje zit, dan wordt dit profiel waarschijnlijker”.
Dit is precies het soort “veel kleine signalen tegelijk” waar autisme-onderzoek vaak op stukloopt met klassieke methodes.
De uitkomst
Met alleen de online takenbatterij kon het model volwassenen met autisme al redelijk onderscheiden van volwassenen zonder autisme. In de gematchte groep (dus eerlijker vergeleken) kwam het model uit op ongeveer:
- 74% correct in totaal (accuracy)
- en een balans tussen “autisme terecht herkennen” en “geen autisme terecht herkennen” die duidelijk boven toeval lag
In de volledige, niet-gematchte groep lagen cijfers hoger, maar daar speelt leeftijd/gender mee als extra informatiebron. Dat maakt die uitkomst minder zuiver.
Daarna deden de onderzoekers iets praktisch: ze voegden de AQ-28 toe, een veelgebruikte korte vragenlijst over autistische kenmerken.
- De AQ-28 alleen deed het in deze gematchte groep al best goed.
- Maar AQ-28 + online taken samen sprong naar 92% correct.
Dat is precies het soort resultaat dat je hoopt te zien bij screening: niet één heilige graal, maar twee soorten informatie die elkaar aanvullen.
Vragenlijsten vangen vooral ervaring en zelfbeeld. Taken vangen vooral gedragspatronen onder omstandigheden. Samen krijg je een vollediger plaatje. Een opvallend punt: reactietijd bleek vaak belangrijker dan mensen denken.
Veel klassieke tests focussen op “goed of fout”. Maar deze studie zag dat bij autisme vooral de tijd die je nodig hebt bij sommige emotietaken veel informatie draagt. Mensen met autisme kunnen emoties best herkennen, maar soms kost het nét meer verwerkingstijd. Niet omdat iemand “dommer” is, maar omdat het brein andere routes of meer stappen gebruikt.
Sommige metingen lieten géén groot groepsverschil zien, maar bleken tóch nuttig in combinatie met andere metingen. Dat past bij het idee dat autisme eerder een constellatie is dan een losse afwijking.
Je kunt het vergelijken met muziek. Eén instrument klinkt misschien niet anders genoeg om het direct te horen, maar het hele orkest samen speelt wel een ander stuk.
Grenzen en valkuilen
Deze studie is veelbelovend, maar je moet het nuchter houden.
- Het blijft groepsdata: Een model leert van de mensen die meededen. Als een groep vooral bestaat uit late diagnoses, dan kan het model juist dáár goed in worden, maar minder in andere groepen.
- Online meten heeft ruis: Iemands laptop, internet, omgeving en vermoeidheid doen mee. De onderzoekers sloten een flinke groep uit omdat data ontbrak of niet bruikbaar was. Dat is logisch, maar het laat zien dat online testen óók zijn eigen rommel heeft.
- ‘92%’ klinkt als bijna perfect, maar… Dat cijfer gold voor een specifieke vergelijking in een gematchte sample en met de AQ-28 erbij. In andere settings kan het lager uitvallen. Screening blijft probabilistisch: het geeft kansinformatie, geen stempel.
Hoe ziet een toekomstig ‘slim screeningspakket’ eruit?
Als je het scenario doortrekt, dan krijg je iets als dit:
- een korte vragenlijst (zoals AQ-28) als eerste laag
- een compacte set taken die vooral de meest informatieve onderdelen bevat (bijvoorbeeld reactietijd bij specifieke emotietaken plus een paar executieve functies)
- een rapportage die niet zegt “je hebt autisme”, maar: “dit profiel lijkt meer op mensen met autisme dan op mensen zonder autisme, dit zijn de domeinen waar het verschil vooral zit”
Dat kan een klinisch gesprek beter sturen. Niet als vervanging, maar als extra kompas.
Van der Burg, E., Jertberg, R. M., Geurts, H. M., Chakrabarti, B., & Begeer, S. (2026). Finding the forest in the trees: Using machine learning and online cognitive and perceptual measures to predict adult autism diagnosis. Translational Psychiatry. https://doi.org/10.1038/s41398-026-03823-y
Demetriou, E. A., Lampit, A., Quintana, D. S., Naismith, S. L., Song, Y. J. C., Pye, J. E., et al. (2018). Autism spectrum disorders: a meta-analysis of executive function. Molecular Psychiatry, 23, 1198–1204.
Feldman, J. I., Dunham, K., Cassidy, M., Wallace, M. T., Liu, Y., & Woynaroski, T. G. (2018). Audiovisual multisensory integration in individuals with autism spectrum disorder: A systematic review and meta-analysis. Neuroscience & Biobehavioral Reviews, 95, 220–234. https://doi.org/10.1016/j.neubiorev.2018.09.020
Hoekstra, R. A., Vinkhuyzen, A. A. E., Wheelwright, S., Bartels, M., Boomsma, D. I., Baron-Cohen, S., & van der Sluis, S. (2011). The construction and validation of an abridged version of the Autism-Spectrum Quotient (AQ-Short). Journal of Autism and Developmental Disorders, 41, 589–596.
