จากการศึกษาใหม่ของ Karolinska Institutet ซึ่งตีพิมพ์ในวารสาร JAMA Network Open พบว่าโมเดลการเรียนรู้ของเครื่องจักรแบบใหม่สามารถทำนายออทิซึมในเด็กเล็กได้จากข้อมูลที่มีจำกัด โมเดลนี้สามารถช่วยให้ตรวจพบออทิซึมได้ในระยะเริ่มต้น ซึ่งถือเป็นสิ่งสำคัญในการให้การสนับสนุนที่ถูกต้อง
Kristiina Tammimies รองศาสตราจารย์จากภาควิชาสุขภาพสตรีและเด็กแห่งสถาบัน Karolinska แห่ง KIND ซึ่งเป็นหนึ่งในผู้เขียนผลการศึกษา กล่าวว่า “ด้วยความแม่นยำเกือบ 80% สำหรับเด็กอายุต่ำกว่า 2 ขวบ เราหวังว่าสิ่งนี้จะเป็นเครื่องมือที่มีค่าสำหรับการดูแลสุขภาพ”
ทีมวิจัยใช้ฐานข้อมูลขนาดใหญ่ของสหรัฐอเมริกา (SPARK) ซึ่งมีข้อมูลของบุคคลประมาณ 30,000 คนที่มีและไม่มีอาการผิดปกติทางสเปกตรัมออทิสติก
จากการวิเคราะห์ชุดค่าผสมของพารามิเตอร์ที่แตกต่างกัน 28 ตัว นักวิจัยได้พัฒนาโมเดลการเรียนรู้ของเครื่องจักรที่แตกต่างกันสี่โมเดลเพื่อระบุรูปแบบในข้อมูล พารามิเตอร์ที่เลือกคือข้อมูลเกี่ยวกับเด็กที่สามารถรับได้โดยไม่ต้องมีการประเมินและการทดสอบทางการแพทย์อย่างละเอียดก่อนอายุ 24 เดือน โมเดลที่มีประสิทธิภาพดีที่สุดมีชื่อว่า “AutMedAI”
จากกลุ่มตัวอย่างประมาณ 12,000 คน โมเดล AutMedAI สามารถระบุเด็กออทิสติกได้ประมาณ 80% เมื่อใช้ร่วมกับพารามิเตอร์อื่นๆ อายุที่ยิ้มครั้งแรก ประโยคสั้นๆ ครั้งแรก และปัญหาในการรับประทานอาหาร ถือเป็นตัวทำนายออทิสติกที่ชัดเจน
Shyam Rajagopalan ผู้เขียนอีกคนหนึ่งของการศึกษา ซึ่งเป็นนักวิจัยในแผนกเดียวกันที่สถาบัน Karolinska และปัจจุบันเป็นผู้ช่วยศาสตราจารย์ที่สถาบันชีวสารสนเทศและเทคโนโลยีประยุกต์ในอินเดีย กล่าวว่า “ผลการศึกษานี้มีความสำคัญเพราะแสดงให้เห็นว่าสามารถระบุบุคคลที่มีแนวโน้มเป็นออทิสติกได้จากข้อมูลที่มีจำกัดและหาได้ง่าย”
ตามที่นักวิจัยกล่าวไว้ การวินิจฉัยแต่เนิ่นๆ ถือเป็นสิ่งสำคัญในการดำเนินการแทรกแซงที่มีประสิทธิผลซึ่งสามารถช่วยให้เด็กออทิสติกพัฒนาได้อย่างเหมาะสมที่สุด
“เครื่องมือนี้สามารถเปลี่ยนเงื่อนไขการวินิจฉัยและการแทรกแซงในระยะเริ่มแรกได้อย่างมาก และท้ายที่สุดก็ช่วยปรับปรุงคุณภาพชีวิตของบุคคลจำนวนมากและครอบครัวของพวกเขา” Rajagopalan กล่าว
ในการศึกษาพบว่าโมเดล AI แสดงผลลัพธ์ที่ดีในการระบุเด็กที่มีปัญหาด้านการสื่อสารทางสังคมและความสามารถทางสติปัญญา และมีความล่าช้าด้านพัฒนาการมากกว่า
ขณะนี้ทีมวิจัยกำลังวางแผนปรับปรุงเพิ่มเติมและตรวจสอบความถูกต้องของแบบจำลองในทางคลินิก นอกจากนี้ ยังมีงานอยู่ระหว่างการรวมข้อมูลทางพันธุกรรมไว้ในแบบจำลอง ซึ่งอาจนำไปสู่การคาดการณ์ที่เฉพาะเจาะจงและแม่นยำยิ่งขึ้น
“เพื่อให้แน่ใจว่าโมเดลมีความน่าเชื่อถือเพียงพอที่จะนำไปใช้ในบริบททางคลินิก จำเป็นต้องมีการทำงานอย่างเข้มงวดและการตรวจสอบอย่างรอบคอบ ฉันต้องการเน้นย้ำว่าเป้าหมายของเราคือการทำให้โมเดลกลายเป็นเครื่องมือที่มีคุณค่าสำหรับการดูแลสุขภาพ และไม่ได้มีจุดประสงค์เพื่อแทนที่การประเมินทางคลินิกของโรคออทิซึม” ทัมมิมีส์กล่าว
แหล่งที่มาของข้อมูล :
Shyam Rajagopalan และคณะ [Machine Learning Prediction of Autism Spectrum Disorder from a Minimal Set of Medical and Background Information, JAMA Network Open (2024)]- ดอย: 10.1001/jamanetworkopen.2024.29229
Discussion about this post