为什么研究婴儿的哭声？
自闭症谱系障碍是一种神经发育状况，影响沟通、社交、行为以及感觉信息处理。有些迹象在婴儿期就可能出现，但许多孩子直到学龄前甚至更晚才被诊断。诊断延迟意味着可能错过大脑快速发育期的早期支持。现有诊断主要依赖发育观察、临床评估和标准化工具，需要专业受训人员，一些社区难以获得。因此研究者探索更早、更客观的检测方法，如眼动追踪、脑成像、脑电图、视频分析等。哭声分析是其中一种有趣的方向：哭声普遍、无创、容易记录，可能成为早期生物标志物的来源，补充现有筛查。
这项研究做了什么？
研究作者 Sandra Pusil 及其同事系统回顾和元分析了利用婴儿哭声检测自闭症的研究。他们检索了 PubMed、Scopus、Web of Science 和 PsycINFO 等数据库。纳入标准：研究聚焦哭声分析、对象为 60 个月以下儿童、有统一的诊断流程或由神经科/精神科/儿科专家诊断或基于严谨的神经心理评估，且全文英文发表。
最终纳入 11 项研究，共 736 名参与者，年龄从新生儿到 4 岁。其中 4 项质量评为良好，7 项为一般。5 项采用回顾性方法（比较已知自闭症与非自闭症婴儿的哭声），6 项采用前瞻性方法（追踪自闭症可能性较高的婴儿，比较后来是否确诊）。6 项研究进入元分析，另外 5 项因数据不全被排除。
主要发现：个别研究与合并分析不一致
多项研究使用机器学习模型区分自闭症与非自闭症婴儿的哭声，表现常优于传统统计方法，准确率有时超过 90%。个别研究报告了自闭症婴儿哭声在基频（声音的基本音高）、异常高亢强烈的哭声（hyperphonation）、音质不规则性等方面存在差异。最常报告的是基频差异，即自闭症婴儿的哭声音高可能更高。
然而，当把所有研究合并进行元分析时，自闭症与非自闭症婴儿在哭声音高（基频）上的差异并未达到统计学显著——也就是说，差异不够大，研究者无法足够确定它不是随机波动造成的。这提示个别研究的阳性结果可能受样本小、方法差异等因素影响。
机器学习模型的亮眼与局限
机器学习模型在部分研究中准确率超过 90%，听起来很振奋。但要注意，这些模型通常在小样本上训练和测试，容易“过拟合”——就像用很少的例题总结规律，遇到新题未必准确。此外，各研究在参与者年龄、自闭症特征、诱发哭声的方式上差异很大，使得结果难以直接比较。纳入研究的样本量普遍很小，统计方法要检测出效应，效应必须相当大才行。
现实意义与未来方向
这项研究为自闭症的早期筛查技术发展提供了参考。作者总结说：“哭声分析提供了一种客观、可及、无创的筛查工具，有潜力支持早期婴儿健康评估和发育结果预测。要实现这一潜力，未来研究必须聚焦大规模、多中心、纵向研究，涵盖多样化人群。这些努力应致力于改进机器学习模型、建立标准化数据集，并描绘声学标志物的发育轨迹。”
目前，哭声分析还不能作为确诊自闭症的依据，更不能替代专业评估。家长若对孩子的发育有疑虑，应咨询儿科医生、儿童精神科或发育行为专家。早期支持不必等待诊断，可以尽早开始。未来，随着更严谨的研究，哭声分析或许能成为筛查工具箱中的一件辅助工具，帮助更多孩子更早获得支持。