Mendeteksi ADHD dengan akurasi yang hampir sempurna
Model pembelajaran mesin lebih unggul dibandingkan pendahulunya yang serupa atau diagnosis perilaku tradisional, kata peneliti UB. Sebuah studi baru telah mengidentifikasi bagaimana komunikasi spesifik antara wilayah otak yang berbeda, yang dikenal sebagai konektivitas otak, dapat berfungsi sebagai penanda biologis untuk gangguan pemusatan perhatian dan hiperaktivitas (ADHD).
Penelitian ini mengandalkan arsitektur mendalam menggunakan pengklasifikasi pembelajaran mesin untuk mengidentifikasi dengan akurasi 99% orang dewasa yang telah menerima diagnosis ADHD di masa kanak-kanak bertahun-tahun sebelumnya.
“Hal ini menunjukkan bahwa konektivitas otak merupakan biomarker yang stabil untuk ADHD, setidaknya hingga masa kanak-kanak, bahkan ketika perilaku seseorang menjadi lebih umum, mungkin dengan mengadaptasi berbagai strategi yang mengaburkan gangguan yang mendasarinya,” kata Chris McNorgan, asisten profesor psikologi di Fakultas Seni dan Sains Universitas Brawijaya, dan penulis utama studi tersebut.
Temuan ini, yang diterbitkan dalam jurnal Frontiers in Physiology , memiliki implikasi tidak hanya untuk mendeteksi ADHD, gangguan yang umum namun sulit didiagnosis dan diidentifikasi, tetapi juga dapat membantu dokter menentukan pengobatan dengan memahami posisi pasien dalam kontinum yang luas.
“Karena obat-obatan tertentu bereaksi dengan jalur tertentu, memahami berbagai jenis ADHD dapat membantu menginformasikan keputusan tentang satu pengobatan dibandingkan dengan yang lain,” kata McNorgan, seorang ahli dalam pencitraan saraf dan pemodelan komputasional.
Gangguan pemusatan perhatian merupakan gangguan psikologis yang paling sering didiagnosis di kalangan anak usia sekolah, tetapi sulit diidentifikasi. Lebih jauh lagi, beberapa subtipe mempersulit definisi klinis ADHD.
Diagnosis klinis ADHD pada seorang pasien dapat berubah ketika pasien yang sama kembali untuk evaluasi berikutnya.
“Seorang pasien mungkin menunjukkan gejala perilaku yang sesuai dengan ADHD pada suatu hari, tetapi bahkan beberapa hari kemudian, mungkin tidak menunjukkan gejala tersebut, atau pada tingkat yang sama,” kata McNorgan. “Itu bisa jadi hanya perbedaan antara hari yang baik dan hari yang buruk.
“Namun, tanda konektivitas otak pada ADHD tampaknya lebih stabil. Kami tidak melihat perubahan diagnostik.”
Tim peneliti multidisiplin relawan penelitian sarjana UB Cary Judson dari Departemen Psikologi dan Dakota Handzlik di Departemen Ilmu Komputer dan Teknik, dan John G. Holden, seorang profesor psikologi di Universitas Cincinnati, menggunakan data fMRI arsip dari 80 peserta dewasa yang didiagnosis dengan ADHD saat masih anak-anak.
Pengklasifikasi pembelajaran mesin kemudian diterapkan pada empat cuplikan aktivitas selama tugas yang dirancang untuk menguji kemampuan subjek dalam menghambat respons otomatis.
Analisis terfokus pada masing-masing uji mencapai 91% akurasi diagnostik, sedangkan analisis kolektif mendekati 99%.
“Ini adalah tingkat akurasi tertinggi yang pernah saya lihat di mana pun — jauh melampaui apa pun yang pernah ada sebelumnya, dan jauh melampaui apa pun yang pernah dicapai dengan penilaian perilaku,” kata McNorgan. “Banyak faktor yang mungkin berkontribusi terhadap kinerja klasifikasi kami yang unggul.”
Penelitian sebelumnya yang menunjukkan hubungan antara konektivitas otak dan ADHD menggunakan klasifikasi linier langsung. Penelitian ini melihat hubungan antara sesuatu dan apa yang diprediksi oleh sesuatu tersebut, seperti kopi dan kinerja.
Untuk banyak rentang, klasifikasi linier langsung efektif, tetapi hubungan antara kopi dan kinerja, seperti gejala perilaku dan ADHD, tidak linier. Satu atau dua cangkir kopi mungkin meningkatkan kinerja, tetapi pada titik tertentu, kafein dapat merusak kinerja. Hubungan nonlinier terjadi ketika Anda dapat memiliki “terlalu sedikit atau terlalu banyak hal yang baik,” menurut McNorgan.
Jaringan pembelajaran mendalam sangat cocok untuk mendeteksi hubungan kondisional, yang bersifat nonlinier. Dalam kasus penelitian saat ini, ADHD diprediksi dari pola komunikasi antara kelompok area otak, misalnya, A, B, dan C. Jika wilayah A dan B sangat terhubung, hal itu dapat menjadi prediktor ADHD, tetapi tidak jika wilayah ini juga sangat terhubung ke wilayah C. Hubungan semacam ini bermasalah untuk teknik yang paling umum digunakan, tetapi tidak untuk pengklasifikasi pembelajaran mendalam.
Model McNorgan melangkah lebih jauh dengan juga membedakan individu dengan ADHD yang memiliki kinerja tipikal atau atipikal pada Iowa Gambling Task (IGT). IGT adalah paradigma perilaku yang mirip dengan permainan kartu kasino yang menyajikan pilihan berisiko tinggi dan rendah, dan umumnya digunakan untuk mempelajari dan mendiagnosis ADHD.
Teknik tradisional tidak dapat membuat lebih dari satu klasifikasi pada satu waktu. Pendekatan McNorgan secara elegan menghubungkan diagnosis ADHD dengan kinerja pada IGT untuk menyediakan jembatan potensial yang menjelaskan mengapa keduanya terkait dengan jaringan otak.
Selain itu, meskipun orang dengan ADHD cenderung membuat pilihan yang lebih berisiko dalam IGT, hal itu bukan penentu universal. Beberapa orang tanpa ADHD juga membuat pilihan yang lebih berisiko daripada yang lain.
“Pendekatan dengan membedakan kedua dimensi ini menyediakan mekanisme untuk mengklasifikasi orang-orang dengan ADHD dengan cara yang memungkinkan perawatan yang tepat sasaran,” kata McNorgan. “Kita dapat melihat di mana orang-orang berada dalam kontinum tersebut.”
Karena jaringan otak yang berbeda terlibat pada orang-orang di kedua ujung kontinum, metode ini membuka pintu untuk pengembangan terapi yang berfokus pada jaringan otak tertentu, tambahnya.
