Autism and attention-deficit/hyperactivity disorder (ADHD) are heterogeneous neurodevelopmental conditions with complex underlying neurobiology that is still poorly understood. Despite overlapping presentation and sex-biased prevalence, autism and ADHD are rarely studied together and sex differences are often overlooked. Population modeling, often referred to as normative modeling, provides a unified framework for studying age-specific and sex-specific divergences in brain development.

Autism and attention deficit hyperactivity disorder (ADHD) are heterogeneous neurodevelopmental conditions with complex underlying neurobiology. Despite overlapping presentation and sex-biased prevalence, autism and ADHD are rarely studied together, and sex differences are often overlooked. Normative modelling provides a unified framework for studying age-specific and sex-specific divergences in neurodivergent brain development.

Very large sample sizes are often needed to capture heterogeneity in autism, necessitating data sharing across multiple studies with diverse assessment instruments. In these cases, data harmonization can be a critical tool for deriving a single dataset for analysis. This can be done through computational approaches that enable the conversion of scores across various instruments. To this end, our study examined the use of analytical approaches for mapping scores on two measures of adaptive functioning, namely predicting the scores on the vineland adaptive behavior scales II (VABS) from the scores on the adaptive behavior assessment system II (ABAS). Data from the province of Ontario neurodevelopmental disorders network were used. The dataset included scores VABS and the ABAS for 720 participants (autism n = 547, 433 male, age: 11.31 ± 3.63 years; neurotypical n = 173, 95 male, age: 12.53 ± 4.05 years). Six regression approaches (ordinary least squares (OLS) linear regression, ridge regression, ElasticNet, LASSO, AdaBoost, random forest) were used to predict VABS total scores from the ABAS scores, demographic variables (age, sex), and phenotypic measures (diagnosis; core and co-occurring features; IQ; internalizing and externalizing symptoms). The VABS scores were significantly higher than the ABAS scores in the autism group, but not the neurotypical group (median difference: 8, 95% CI = (7,9)). The difference was negatively associated with age (beta = -1.2 ± 0.12, t = -10.6, p < 0.0001). All estimators demonstrated similar performance, with no statistically significant differences in mean absolute error (MAE) values across estimators (MAE range: 4.96–6.91). The highest contributing features to the prediction model were ABAS composite score, diagnosis, and age. This study has several strengths, including the large sample. We did not examine the conversion of domain scores across the two measures of adaptive functioning and suggest this as a future area of investigation. Overall, our results supported the feasibility of harmonization. Our results suggest that a linear regression model trained on the ABAS composite score, the ABAS raw domain scores, and age, sex, and diagnosis would provide an acceptable trade-off between accuracy, parsimony, and data collection and processing complexity.

With brain structure and function undergoing complex changes throughout childhood and adolescence, age is a critical consideration in neuroimaging studies, particularly for those of individuals with neurodevelopmental conditions. However, despite the increasing use of large, consortium-based datasets to examine brain structure and function in neurotypical and neurodivergent populations, it is unclear whether age-related changes are consistent between datasets, and whether inconsistencies related to differences in sample characteristics, such as demographics and phenotypic features, exist. To address this, we built models of age-related changes of brain structure (cortical thickness and surface area; N=1,579) and function (resting-state functional connectivity strength; N=1,792) in two neurodiverse datasets: the Province of Ontario Neurodevelopmental network (POND) and the Healthy Brain Network (HBN). We examined whether deviations from these models differed between the datasets, and explored whether these deviations were associated with demographic and clinical variables. We found significant differences between the two datasets for measures of cortical surface area and functional connectivity strength throughout the brain. For cortical surface area, the patterns of differences were associated with intelligence, while for functional connectivity strength, positive associations were observed with head motion. Our findings highlight that patterns of age-related changes in the brain may be influenced by demographic and phenotypic characteristics, and thus future studies should consider these when examining or controlling forage effects in analyses.