girl, face, portrait, smiling, hat, female, young girl, child, kid, caucasian girl, fashion, happy, smile, head, youth, smiling girl, happy girl, face, face, face, face, face, child, smile, smile, youth

Apakah Ada Tes Atau Pemeriksaan Khusus Untuk Mendeteksi Autisme?

Deteksi Autism Spectrum Disorder (ASD) melibatkan berbagai tes dan pemeriksaan, mulai dari alat skrining tradisional hingga teknik pembelajaran mesin canggih. Metode ini bertujuan untuk mengidentifikasi ASD lebih awal, memungkinkan intervensi dan dukungan tepat waktu. Alat skrining tradisional sering digunakan dalam pengaturan klinis, sementara pendekatan pembelajaran mesin semakin dieksplorasi karena potensinya untuk meningkatkan akurasi dan efisiensi diagnostik. Di bawah ini, metode kunci untuk mendeteksi autisme dibahas.

Alat Penyaringan Tradisional

  • Penyaring Level 1 dan Level 2: Penyaring Level 1 digunakan untuk skrining skala besar untuk mengidentifikasi anak-anak berisiko pada populasi umum, sementara penyaring Level 2 fokus pada membedakan anak-anak dengan tanda-tanda autisme dari mereka yang memiliki masalah perkembangan lainnya. Alat-alat ini dievaluasi berdasarkan reliabilitas, validitas, sensitivitas, dan spesifisitas, meskipun mereka menghadapi tantangan seperti ukuran sampel yang tidak memadai dan kebutuhan akan kondisi standar (Brewer et al., 2020)].
  • Jadwal Pengamatan Diagnostik Autisme (ADOS) dan Autism Diagnostic Interview-Revised (ADI-R): Ini dianggap sebagai penilaian diagnostik standar emas untuk ASD. Autism Mental Status Exam (AMSE) adalah alat lain yang telah menunjukkan harapan dalam mendeteksi ASD, terutama pada anak-anak dengan ADHD dan gejala ASD(Øien et al., 2020).
  • Berbagai Tes Skrining: Sebuah tinjauan mengidentifikasi 28 tes skrining yang berbeda, masing-masing dengan kekuatan dan kelemahan yang unik. Tes CHAT, misalnya, adalah salah satu yang tertua, sedangkan CAST lebih baru. Tes ini bervariasi dalam spesifisitas dan sensitivitas, menyoroti perlunya evaluasi yang cermat untuk memilih tes yang sesuai (Soleimani et al., 2014).

Pendekatan Pembelajaran Mesin

  • Pembelajaran Mendalam dengan fMRI: Model jaringan saraf konvolusional (CNN) telah dikembangkan untuk menganalisis data fMRI keadaan istirahat untuk deteksi ASD dini. Model ini mencapai metrik diagnostik yang tinggi, menunjukkan potensi pembelajaran mendalam dalam penyaringan ASD (Narayanan et al., 2024).
  • SMRI dan Machine Learning: Fitur MRI Struktural digunakan dalam model pembelajaran mesin seperti Random Forest dan Support Vector Machine untuk mengklasifikasikan ASD. Model-model ini dievaluasi menggunakan metrik seperti akurasi dan presisi, menunjukkan hasil yang menjanjikan dalam membedakan ASD dari kontrol (Mishra & Pati, 2022).
  • Pemilihan Fitur dan Teknik ML: Pemilihan fitur tradisional yang dikombinasikan dengan model pembelajaran mesin, seperti Gradient Boosting dan Neural Networks, telah digunakan untuk meningkatkan deteksi ASD. Model-model ini mempertimbangkan fitur yang terpengaruh dan telah menunjukkan peningkatan kinerja dalam proses penyaringan (Albahri, 2023).

Teknologi Berkembang

  • Aplikasi Seluler dan Berbasis Web: Arsitektur pembelajaran mesin baru, seperti Rules Machine Learning (RML), telah diusulkan untuk meningkatkan penyaringan ASD. Metode ini mengurangi jumlah fitur yang dibutuhkan sambil mempertahankan akurasi, dan diimplementasikan dalam aplikasi seluler untuk aksesibilitas (Abdeljaber, 2019)].
  • Database India dan ML: Sebuah studi menggunakan database INDT-ASD India mengembangkan metode yang disederhanakan untuk deteksi ASD menggunakan pengklasifikasi pembelajaran mesin. Pendekatan ini mengurangi jumlah pertanyaan yang diperlukan untuk penyaringan, menunjukkan potensi solusi yang efisien dan hemat biaya (Shrivastava et al., 2024).

Sementara alat skrining tradisional tetap penting dalam praktik klinis, integrasi teknik pembelajaran mesin menawarkan kemajuan yang menjanjikan dalam deteksi dini ASD. Pendekatan inovatif ini berpotensi merampingkan proses diagnostik, mengurangi biaya, dan meningkatkan akurasi. Namun, tantangan seperti perlindungan data, transparansi algoritmik, dan pertimbangan etis harus ditangani untuk memastikan implementasi efektif dari teknologi ini (Narayanan et al., 2024) (Albahri, 2023).

Brewer, N., Young, R. L., & Lucas, C. A. (2020). Autism Screening in Early Childhood: Discriminating Autism From Other Developmental Concerns. Frontiers in Neurology. https://doi.org/10.3389/FNEUR.2020.594381
Øien, R. A., Siper, P. M., Kolevzon, A., & Grodberg, D. (2020). Detecting Autism Spectrum Disorder in Children With ADHD and Social Disability. Journal of Attention Disorders. https://doi.org/10.1177/1087054716642518
Soleimani, F., Khakshour, A., Abbasi, Z., Khayat, S., Ghaemi, S. Z., & Golchin, N. A. H. (2014). Review of Autism Screening Tests. International Journal of Pediatrics. https://doi.org/10.22038/IJP.2014.3151
Narayanan, N., Remya, K., & Varghese, B. M. (2024). Early detection of autism spectrum disorder via deep-learning application of fMRI and machine learning for ASD children identifications. International Journal of Hybrid Intelligent Systems. https://doi.org/10.3233/his-240029
Mishra, M., & Pati, U. C. (2022). Autism Detection Using Surface and Volumetric Morphometric Feature of sMRI with Machine Learning Approach. https://doi.org/10.1007/978-3-030-96040-7_47
Albahri, A. S. (2023). Unlocking the Potential of Autism Detection: Integrating Traditional Feature Selection and Machine Learning Techniques. https://doi.org/10.58496/adsa/2023/003
Abdeljaber, F. (2019). Detecting Autistic Traits using Computational Intelligence & Machine Learning Techniques.
Shrivastava, T., Chaudhari, H., & Singh, V. (2024). Leveraging Machine Learning for Early Autism Detection via INDT-ASD Indian Database. arXiv.Org. https://doi.org/10.48550/arxiv.2404.02181
Scroll to Top