Uji Lapangan Menunjukkan Ketepatan Teknologi Pelacakan Pemadam Kebakaran yang Mendobrak

Mendeteksi ADHD dengan akurasi hampir sempurna


Newswise – BUFFALO, NY – Sebuah studi baru yang dipimpin oleh seorang peneliti University at Buffalo telah mengidentifikasi bagaimana komunikasi spesifik di antara daerah otak yang berbeda, yang dikenal sebagai konektivitas otak, dapat berfungsi sebagai biomarker untuk attention deficit hyperactivity disorder (ADHD).

Penelitian ini mengandalkan arsitektur mendalam yang menggunakan pengklasifikasi pembelajaran mesin untuk mengidentifikasi dengan akurasi 99% orang dewasa yang telah menerima diagnosis ADHD masa kecil beberapa tahun sebelumnya.

“Ini menunjukkan bahwa konektivitas otak adalah penanda yang stabil untuk ADHD, setidaknya di masa kanak-kanak, bahkan ketika perilaku seseorang menjadi lebih khas, mungkin dengan mengadaptasi strategi berbeda yang mengaburkan gangguan yang mendasarinya,” kata Chris McNorgan, asisten profesor psikologi di Sekolah Tinggi Seni dan Sains UB, dan penulis utama studi.

Penemuan yang diterbitkan dalam jurnal Frontiers in Physiology, memiliki implikasi tidak hanya untuk mendeteksi ADHD, kelainan umum tetapi diagnostik licin yang sulit untuk diidentifikasi, tetapi juga dapat membantu dokter menargetkan perawatan dengan memahami di mana pasien duduk dalam kontinum yang luas.

“Karena obat-obatan tertentu bereaksi dengan jalur tertentu, memahami berbagai jenis ADHD dapat membantu menginformasikan keputusan tentang satu obat versus yang lain,” kata McNorgan, seorang ahli dalam neuroimaging dan pemodelan komputasi.

Attention deficit disorder adalah kelainan psikologis yang paling sering didiagnosis pada anak usia sekolah, tetapi sulit untuk diidentifikasi. Lebih lanjut, beberapa subtipe memperumit definisi klinis ADHD.

Diagnosis klinis ADHD pada pasien dapat berubah ketika pasien yang sama kembali untuk evaluasi selanjutnya.

“Seorang pasien mungkin menunjukkan gejala perilaku yang konsisten dengan ADHD suatu hari, tetapi bahkan beberapa hari kemudian, mungkin tidak menunjukkan gejala tersebut, atau pada tingkat yang sama,” kata McNorgan. “Ini bisa saja menjadi perbedaan antara hari yang baik dan hari yang buruk.

“Tapi ciri konektivitas otak ADHD tampaknya lebih stabil. Kami tidak melihat flip-flop diagnostik. “

Tim peneliti multidisiplin relawan penelitian sarjana UB Cary Judson dari Departemen Psikologi dan Dakota Handzlik di Departemen Ilmu dan Teknik Komputer, dan John G. Holden, seorang profesor psikologi di Universitas Cincinnati, menggunakan data arsip fMRI dari 80 partisipan dewasa yang didiagnosis ADHD sebagai anak-anak.

Pengklasifikasi pembelajaran mesin kemudian diterapkan ke empat cuplikan aktivitas selama tugas yang dirancang untuk menguji kemampuan subjek dalam menghambat respons otomatis.

Analisis terfokus pada lari individu mencapai 91% persen akurasi diagnostik, sedangkan analisis kolektif mendekati 99%.

“Sejauh ini tingkat akurasi tertinggi yang pernah saya lihat dilaporkan di mana pun – ini adalah liga yang melampaui apa pun yang pernah ada sebelumnya, dan jauh melampaui apa pun yang telah dicapai dengan penilaian perilaku,” kata McNorgan. “Banyak faktor yang mungkin berkontribusi terhadap kinerja klasifikasi superior kami.”

Penelitian sebelumnya menunjukkan hubungan antara konektivitas otak dan ADHD menggunakan klasifikasi linier langsung. Penelitian ini melihat hubungan antara sesuatu dan apa yang diprediksi oleh sesuatu itu, seperti kopi dan kinerja.

Untuk banyak rentang, klasifikasi linier langsung efektif, tetapi hubungan antara kopi dan performa, seperti gejala perilaku dan ADHD, tidak linier. Satu atau dua cangkir kopi dapat 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 dalam sangat cocok untuk mendeteksi hubungan bersyarat, yang nonlinier. Dalam kasus penelitian saat ini, ADHD diprediksi dari pola komunikasi antara kelompok area otak, katakanlah, A, B dan C. Jika wilayah A dan B sangat terhubung, itu bisa menjadi prediksi ADHD, tetapi tidak jika ini region juga sangat terkait dengan region C. Jenis hubungan ini bermasalah untuk teknik yang paling sering digunakan, tetapi tidak untuk pengklasifikasi deep-learning.

Model McNorgan melangkah lebih jauh dengan juga membedakan individu dengan ADHD yang memiliki kinerja khas atau atipikal di Iowa Gambling Task (IGT). IGT adalah paradigma perilaku yang mirip dengan permainan kartu kasino yang menyajikan opsi berisiko tinggi dan rendah, dan biasanya 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 memberikan jembatan potensial yang menjelaskan mengapa keduanya terkait dengan kabel otak.

Selain itu, meskipun orang dengan ADHD cenderung membuat pilihan yang lebih berisiko di IGT, itu bukanlah penentu universal. Beberapa orang tanpa ADHD juga membuat pilihan yang lebih berisiko daripada yang lain.

“Pendekatan dengan membedakan kedua dimensi ini menyediakan mekanisme untuk subklasifikasi orang dengan ADHD dengan cara yang memungkinkan untuk pengobatan yang ditargetkan,” kata McNorgan. “Kami dapat melihat di mana orang-orang berada dalam kontinum.”

Karena jaringan otak yang berbeda terlibat pada orang di kedua ujung kontinum, metode ini membuka pintu untuk mengembangkan terapi yang berfokus pada jaringan otak tertentu, tambahnya.


Diposting Oleh : https://totohk.co/

About the author