Autism Spectrum Disorder (ASD) encompasses various neurological disorders with symptoms varying by age, development, genetics, and other factors. Core symptoms include decreased pain sensitivity, difficulty sustaining eye contact, incorrect auditory responses, and social engagement issues. Diagnosing ASD poses challenges as signs can appear at early stages of life, leading to delayed diagnoses. Traditional diagnosis relies mainly on clinical observation, which is a subjective and time-consuming approach. However, AI-driven techniques, primarily those within machine learning and deep learning, are becoming increasingly prevalent for the efficient and objective detection and classification of ASD. In this work, we review and discuss the most relevant related literature between January 2016 and May 2024 by focusing on ASD detection or classification using diverse technologies, including magnetic resonance imaging, facial images, questionnaires, electroencephalogram, and eye tracking data. Our analysis encompasses works from major research repositories, including WoS, PubMed, Scopus, and IEEE. We discuss rehabilitation techniques, the structure of public and private datasets, and the challenges of automated ASD detection, classification, and therapy by highlighting emerging trends, gaps, and future research directions. Among the most interesting findings of this review are the relevance of questionnaires and genetics in the early detection of ASD, as well as the prevalence of datasets that are biased toward specific genders, ethnicities, or geographic locations, restricting their applicability. This document serves as a comprehensive resource for researchers, clinicians, and stakeholders, promoting a deeper understanding and advancement of AI applications in the evaluation and management of ASD.

Hyper-heuristics have arisen as methods that increase the generality of existing solvers. They have proven helpful for dealing with complex problems, particularly those related to combinatorial optimization. Their recent growth in popularity has increased the daily amount of text in the related literature. This information is primarily unstructured, mainly text that traditional computer data systems cannot process. Traditional systematic literature review studies exhibit multiple limitations, including high time consumption, lack of replicability, and subjectivity of the results. For this reason, text mining has become essential for researchers in recent years. Therefore, efficient text mining techniques are needed to extract meaningful information, patterns, and relationships. This study adopts a literature review of 963 journal and conference papers on hyper-heuristic-related works. We first describe the essential text mining techniques, including text preprocessing, word clouds, clustering, and frequent association rule learning in hyper-heuristic publications. With that information, we implement visualization tools to understand the most frequent relations and topics in the hyper-heuristic domain. The main findings highlight the most dominant topics in the literature. We use text mining analysis to find widespread manifestations, representing the significance of the different areas of hyper-heuristics. Furthermore, we apply clustering to provide seven categories showing the associations between the topics related to hyper-heuristic literature. The vast amount of data available that we find opens up a new opportunity for researchers to analyze the status of hyper-heuristics and help create strategic plans regarding the scope of hyper-heuristics. Lastly, we remark that future work will address the limitations of collecting information from multiple data sources and analyze book chapters related to hyper-heuristics.

Big Data et machine learning pour améliorer le suivi et la télésurveillance médicale: L'évolution de la quantité de données médicales collectée offre aux médecins une nouvelle opportunité d'améliorer le diagnostic des patients. Ces dernières années, les praticiens ont accru l'utilisation des technologies informatiques afin de fournir une meilleure aide à la décision. Une façon de relever ce défi est la construction des modèles avec des données empiriques issues d'expériences de santé à grande échelle, comme celles qui ont été établies au cours des dernières décennies pour certains systèmes de santé en ligne, pour des applications mobiles ou encore pour la télémédecine. L'apprentissage est un outil analytique qui permet d'identifier des modèles et des relations en tirant les leçons de l'expérience. Cette thèse a utilisé des mesures individuelles provenant de certaines ensembles de données, notamment un ensemble de données sur les maladies cardiaques, bases de données sur les femmes enceintes au premier trimestre souffrant d'hypothyroïdie et des données médicales synthétiques (avec plus de 5 000 patients et 1 000 000 de caractéristiques). Plus précisément, les objectifs de cette thèse sont : (i) optimiser le temps d'exécution et l'extensibilité des prévisions des bases de données sanitaires à grande échelle et déployer une configuration optimisée, (ii) prédire si un patient souffre d'une maladie cardiaque en utilisant des techniques de classification et décrire les caractéristiques les plus corrélées avec l'état cardiaque et (iii) utiliser des modèles d'apprentissage non supervisés pour enrichir les ontologies médicales et générer de nouvelles connaissances basées sur la recherche de caractéristiques et de symptômes similaires. Après avoir établi les connaissances nécessaires, j'ai réalisé différents modèles d'apprentissage qui mettaient en relation les caractéristiques (c'est-à-dire les maladies du cœur liées au cholestérol, au rythme cardiaque et aux douleurs thoraciques). Par ailleurs, j'ai créé les clusters pour les femmes enceintes au premier trimestre souffrant d'hypothyroïdie (c'est-à-dire le cluster utilisant la pathologie thyroïdienne, le risque, les facteurs anthropométriques, gynécologiques). Mes résultats ont révélé cela : (i) la régression logique présentait un temps d'exécution et une évolutivité optimaux sans être affectés par des opérations de calcul complexes, (ii) les méthodes de mise en cache et de persistance sont puissantes pour réduire le temps de consommation, (iii) l'ACP a donné de meilleurs résultats après utilisation du chi carré, sinon, lorsque l'ACP est utilisée directement à partir des données brutes, les performances sont médiocres, (iv) le cholestérol, la fréquence cardiaque maximale, les douleurs thoraciques et les vaisseaux cardiaques sont les caractéristiques anatomiques et physiologiques pertinentes des maladies cardiaques et (v) l'analyse par groupes s'est révélée être une approche pratique pour l'hétérogénéité des facteurs de risque d'hypothyroïdie chez les femmes au cours du premier trimestre de la grossesse dans les études cliniques. Pour ce dernier point, les trois groupes identifiés sont : les femmes de plus de 30 ans ne présentant pas de signes ni de symptômes d'hypofonctionnement de la thyroïde, les femmes de moins de 30 ans ne présentant pas de signes et symptômes d'hypofonctionnement de la thyroïde et les femmes de moins de 30 ans présentant certains facteurs de risque et des signes ou symptômes suggérant un hypofonctionnement de la thyroïde. Mes résultats soulignent que les techniques de réduction de la dimensionnalité et l'apprentissage ont amélioré la détection de situations anormales dans le cadre d'une télésurveillance médicale et montrent que les modèles ne sont pas affectés par des opérations complexes.