Membedakan Autism Spectrum Disorder (ASD) dari Attention-Deficit/Hyperactivity Disorder (ADHD) adalah tugas yang kompleks karena gejala yang tumpang tindih dan seringnya terjadi gangguan perkembangan saraf ini. Kedua kondisi berbagi tantangan dalam interaksi sosial dan fungsi eksekutif, namun mereka memerlukan pendekatan terapeutik yang berbeda. Penelitian terbaru telah mengeksplorasi berbagai metode untuk meningkatkan akurasi diagnostik, mulai dari penilaian perilaku hingga teknik neuroimaging canggih. Di sini, kami mengeksplorasi beberapa pendekatan untuk membedakan ASD dari ADHD.
Penilaian Perilaku dan Klinis
- Kuesioner Komunikasi Sosial(SCQ) : SCQ telah terbukti secara efektif membedakan antara ASD dan ADHD. Anak-anak dengan ASD cenderung mendapat skor lebih tinggi pada SCQ, dengan skor batas 13 memberikan perbedaan yang kuat antara kedua kelompok (Mouti et al., 2019).
- Skala Peringkat BASC-3: Skala penilaian Orang Tua dan Guru BASC-3, khususnya skor Atipikalitas, Penarikan, Gangguan Sosial Perkembangan, dan Indeks Probabilitas Autisme, telah menunjukkan akurasi yang kuat dalam membedakan ASD dari ADHD (Zhou et al., 2020).
- NEPSY-II dan Menggambar Profil Kecepatan: Menggabungkan tugas standar dari penilaian NEPSY-II dengan skala observasional berdasarkan profil kecepatan gambar yang dikumpulkan melalui tablet digital menawarkan pendekatan baru untuk membedakan antara ASD dan ADHD (Fortea-Sevilla et al., 2024).
Neuroimaging dan Penanda Biologis
- Elektroretinografi (ERG) : Analisis spektral ERG telah menunjukkan harapan dalam membedakan ASD dari ADHD, dengan fitur frekuensi yang lebih tinggi menjadi lebih signifikan. Metode ini mencapai akurasi 84%, menunjukkan ERG sebagai biomarker potensial (Manjur et al., 2023).
- Tanda Tangan Kortikal dan rasio T1W/T2W: Meskipun tidak ada perbedaan signifikan yang ditemukan dalam rasio T1W/T2W antara ASD dan ADHD, pengelompokan multimodal menggunakan fitur kortikal seperti ketebalan kortikal dan luas permukaan memiliki potensi untuk mengidentifikasi subkelompok yang serupa secara biologis (Norbom et al., 2025) (Norbom et al., 2024).
- Indeks Homogenitas Regional (ReHo): Perbedaan nilai ReHo di daerah otak tertentu telah diamati, dengan pola distribusi TD > ASD > ADHD. Menggabungkan ReHo dengan fitur skala tertentu meningkatkan akurasi klasifikasi (Wang et al., 2023).
Pendekatan Pembelajaran Mesin
- Support Vector Machine (SVM) : Model pembelajaran mesin menggunakan SVM telah diterapkan untuk membedakan ASD dari ADHD dengan menganalisis fitur dari instrumen diagnostik praktik terbaik seperti ADOS dan ADI-R. Sebagian fitur yang terkait dengan komunikasi sosial dan perilaku membatasi secara andal membedakan ASD dari ADHD (Wolff et al., 2022).
- Grafik Jaringan Saraf: Mengintegrasikan ketebalan kortikal, luas permukaan, dan volume kortikal/subkortikal dengan ukuran kovarians struktural menggunakan jaringan saraf grafik telah mengidentifikasi cluster yang berbeda dalam fungsi adaptif dan fitur ADHD, meskipun ini tidak selaras dengan label diagnostik tradisional (Sadat-Nejad et al., 2023).
Sementara metode ini menunjukkan harapan, kompleksitas dan heterogenitas ASD dan ADHD terus menimbulkan tantangan dalam diagnosis banding. Tumpang tindih gejala memerlukan penilaian komprehensif yang menggabungkan pendekatan perilaku, neuroimaging, dan pembelajaran mesin untuk meningkatkan akurasi diagnostik dan menyesuaikan strategi pengobatan secara efektif.
Referensi
Mouti, A., Dryer, R., & Kohn, M. (2019). Differentiating autism spectrum disorder from ADHD using the Social Communication Questionnaire. Journal of Attention Disorders. https://doi.org/10.1177/1087054718781945
Zhou, X., Reynolds, C. R., Zhu, J., & Kamphaus, R. W. (2020). Differentiating Autism from ADHD in Children and Adolescents Using BASC-3. https://doi.org/10.1007/S40817-020-00082-7
Fortea-Sevilla, S., GARCIA-SOSA, A., MORALES-ALMEIDA, P., & Carmona-Duarte, C. (2024). Assessment of Autism and ADHD: A Comparative Analysis of Drawing Velocity Profiles and the NEPSY Test. arXiv.Org. https://doi.org/10.48550/arxiv.2401.15685
Manjur, S. M., Hossain, Md. B., Constable, P. A., Thompson, D. A., Marmolejo-Ramos, F., Lee, I. O., & Quintero, H. F. P. (2023). Spectral analysis of Electroretinography to differentiate autism spectrum disorder and attention deficit hyperactivity disorder. https://doi.org/10.1109/bhi58575.2023.10313406
Norbom, L. B., Syed, B., Kjelkenes, R., Rokicki, J., Beauchamp, A., Nerland, S., Kushki, A., Anagnostou, E., Arnold, P., Crosbie, J., Kelley, E. A., Nicolson, R., Schachar, R., Taylor, M. J., Westlye, L. T., Tamnes, C. K., & Lerch, J. P. (2025). Probing Autism and ADHD subtypes using cortical signatures of the T1w/T2w-ratio and morphometry. NeuroImage: Clinical. https://doi.org/10.1016/j.nicl.2025.103736
Norbom, L. B., Syed, B., Kjelkenes, R., Rokicki, J., Beauchamp, A., Nerland, S., Kushki, A., Anagnostou, E., Arnold, P., Crosbie, J., Kelley, E., Nicolson, R., Barkley, R. A., Taylor, M. J., Westlye, L. T., Tamnes, C. K., & Lerch, J. P. (2024). Probing Autism and ADHD subtypes using cortical signatures of the T1w/T2w-ratio and morphometry. https://doi.org/10.1101/2024.08.08.24311239
Wang, Y., Li, Y., Wang, Y.-C., Li, C., Fu, L., & Ke, X. (2023). Research on Pattern Classification of Autism Spectrum Disorder Related to the Diagnosis of Attention Deficit Hyperactivity Disorder. https://doi.org/10.57237/j.mrf.2023.02.003
Wolff, N., Kohls, G., Mack, J. T., Vahid, A., Elster, E. M., Stroth, S., Poustka, L., Kuepper, C., Roepke, S., Kamp-Becker, I., & Roessner, V. (2022). A data driven machine learning approach to differentiate between autism spectrum disorder and attention-deficit/hyperactivity disorder based on the best-practice diagnostic instruments for autism. Dental Science Reports. https://doi.org/10.1038/s41598-022-21719-x
Sadat-Nejad, Y., Vandewouw, M. M., Cardy, R., Lerch, J., Taylor, M. J., Iaboni, A., Hammill, C., Syed, B., Brian, J. A., Kelley, E., Ayub, M., Crosbie, J., Schachar, R., Georgiades, S., Nicolson, R., Anagnostou, E., & Kushki, A. (2023). Investigating heterogeneity across autism, ADHD, and typical development using measures of cortical thickness, surface area, cortical/subcortical volume, and structural covariance. https://doi.org/10.3389/frcha.2023.1171337
