Model pembelajaran mesin baru boleh meramalkan autisme pada kanak-kanak kecil daripada maklumat yang agak terhad, menurut kajian baru oleh Karolinska Institutet, yang diterbitkan dalam jurnal JAMA Network Open. Model ini boleh memudahkan pengesanan awal autisme, yang penting untuk memberikan sokongan yang betul.
Kristiina Tammimies, Profesor Madya di KIND, Jabatan Kesihatan Wanita dan Kanak-kanak, Karolinska Institutet, seorang pengarang kajian, berkata: “Dengan ketepatan hampir 80% untuk kanak-kanak di bawah umur dua tahun, kami berharap ini akan menjadi alat yang berharga untuk penjagaan kesihatan”.
Pasukan penyelidik menggunakan pangkalan data AS yang besar (SPARK) dengan maklumat kira-kira 30,000 individu dengan dan tanpa gangguan spektrum autisme.
Dengan menganalisis gabungan 28 parameter berbeza, penyelidik membangunkan empat model pembelajaran mesin yang berbeza untuk mengenal pasti corak dalam data. Parameter yang dipilih adalah maklumat tentang kanak-kanak yang boleh diperolehi tanpa penilaian dan ujian perubatan yang meluas sebelum umur 24 bulan. Model berprestasi terbaik itu dinamakan “AutMedAI.”
Di antara kira-kira 12,000 individu, model AutMedAI dapat mengenal pasti kira-kira 80% kanak-kanak autisme. Dalam kombinasi khusus dengan parameter lain, umur senyuman pertama, ayat pendek pertama dan kehadiran kesukaran makan adalah peramal autisme yang kuat.
Shyam Rajagopalan, seorang lagi pengarang kajian, seorang penyelidik gabungan di jabatan yang sama di Karolinska Institutet dan kini penolong profesor di Institut Bioinfomatik dan Teknologi Gunaan, India, berkata: “Hasil kajian ini penting kerana mereka menunjukkan bahawa ia adalah mungkin untuk mengenal pasti individu yang berkemungkinan menghidap autisme daripada maklumat yang agak terhad dan mudah didapati”.
Menurut penyelidik, diagnosis awal adalah penting untuk melaksanakan intervensi berkesan yang boleh membantu kanak-kanak autisme berkembang secara optimum.
“Alat ini secara drastik boleh mengubah keadaan untuk diagnosis awal dan campur tangan, dan akhirnya meningkatkan kualiti hidup untuk ramai individu dan keluarga mereka,” kata Rajagopalan.
Dalam kajian itu, model AI menunjukkan hasil yang baik dalam mengenal pasti kanak-kanak yang mempunyai lebih banyak kesukaran dalam komunikasi sosial dan keupayaan kognitif dan mempunyai lebih banyak kelewatan perkembangan.
Pasukan penyelidik kini merancang penambahbaikan dan pengesahan model selanjutnya dalam tetapan klinikal. Kerja juga sedang dijalankan untuk memasukkan maklumat genetik dalam model, yang mungkin membawa kepada ramalan yang lebih spesifik dan tepat.
“Untuk memastikan model itu cukup dipercayai untuk dilaksanakan dalam konteks klinikal, kerja yang teliti dan pengesahan yang teliti diperlukan. Saya ingin menekankan bahawa matlamat kami adalah untuk model itu menjadi alat yang berharga untuk penjagaan kesihatan, dan ia tidak bertujuan untuk menggantikan penilaian klinikal autisme, “kata Tammimies.
Sumber maklumat:
Shyam Rajagopalan et al. [Machine Learning Prediction of Autism Spectrum Disorder from a Minimal Set of Medical and Background Information, JAMA Network Open (2024)]. DOI: 10.1001/jamanetworkopen.2024.29229