Sebuah model pembelajaran mesin baru dapat memprediksi autisme pada anak-anak kecil dengan informasi yang relatif terbatas, menurut sebuah studi baru oleh Karolinska Institutet, yang dipublikasikan di jurnal JAMA Network Open. Model ini dapat memfasilitasi deteksi awal autisme, yang penting untuk memberikan dukungan yang tepat.
Kristiina Tammimies, Profesor Madya di KIND, Departemen Kesehatan Wanita dan Anak, Karolinska Institutet, salah satu penulis studi, mengatakan: “Dengan akurasi hampir 80% untuk anak-anak di bawah usia dua tahun, kami berharap ini akan menjadi alat yang berharga untuk perawatan kesehatan.”
Tim peneliti menggunakan database besar di AS (SPARK) dengan informasi tentang sekitar 30.000 individu yang memiliki dan tidak memiliki gangguan spektrum autisme.
Dengan menganalisis kombinasi dari 28 parameter yang berbeda, para peneliti mengembangkan empat model pembelajaran mesin yang berbeda untuk mengidentifikasi pola dalam data. Parameter yang dipilih adalah informasi tentang anak yang dapat diperoleh tanpa penilaian dan tes medis yang luas sebelum usia 24 bulan. Model yang berkinerja terbaik dinamakan “AutMedAI.”
Dari sekitar 12.000 individu, model AutMedAI mampu mengidentifikasi sekitar 80% anak-anak dengan autisme. Dalam kombinasi tertentu dengan parameter lainnya, usia senyum pertama, kalimat pendek pertama, dan adanya kesulitan makan merupakan prediktor kuat autisme.
Shyam Rajagopalan, penulis lain dari studi tersebut, seorang peneliti afiliasi di departemen yang sama di Karolinska Institutet dan saat ini menjadi asisten profesor di Institut Bioinformatika dan Teknologi Terapan, India, mengatakan: “Hasil penelitian ini signifikan karena menunjukkan bahwa adalah mungkin untuk mengidentifikasi individu yang kemungkinan besar memiliki autisme dari informasi yang relatif terbatas dan tersedia dengan mudah.”
Menurut para peneliti, diagnosis dini sangat penting untuk melaksanakan intervensi efektif yang dapat membantu anak-anak dengan autisme berkembang secara optimal.
“Alat ini dapat secara drastis mengubah kondisi untuk diagnosis dini dan intervensi, dan pada akhirnya meningkatkan kualitas hidup banyak individu dan keluarga mereka,” kata Rajagopalan.
Dalam studi tersebut, model AI menunjukkan hasil yang baik dalam mengidentifikasi anak-anak yang mengalami lebih banyak kesulitan dalam komunikasi sosial dan kemampuan kognitif serta mengalami lebih banyak keterlambatan perkembangan.
Tim peneliti kini merencanakan perbaikan lebih lanjut dan validasi model ini dalam pengaturan klinis. Pekerjaan juga sedang dilakukan untuk memasukkan informasi genetik ke dalam model, yang dapat menghasilkan prediksi yang lebih spesifik dan akurat.
“Untuk memastikan bahwa model ini cukup andal untuk diterapkan dalam konteks klinis, diperlukan kerja keras dan validasi yang hati-hati. Saya ingin menekankan bahwa tujuan kami adalah agar model ini menjadi alat yang berharga untuk perawatan kesehatan, dan tidak dimaksudkan untuk menggantikan penilaian klinis tentang autisme,” kata Tammimies.
Sumber informasi:
Shyam Rajagopalan et al. [Prediksi Gangguan Spektrum Autisme Menggunakan Pembelajaran Mesin dari Kumpulan Minimal Informasi Medis dan Latar Belakang, JAMA Network Open (2024)]. DOI: 10.1001/jamanetworkopen.2024.29229
