Skrining Autisme Tanpa Jarum: Mengapa EEG Jadi Andalan AI

Jika hari ini seorang anak dicurigai berada di spektrum autisme (ASD), proses penegakan diagnosanya masih bertumpu pada observasi perilaku dan wawancara klinis yang panjang. Cara ini terbukti bermanfaat, tetapi memakan waktu, mahal, dan yang paling penting bisa bersifat subjektif. Karena itu para peneliti mencari “alat bantu objektif” yang bisa mempercepat penyaringan (screening) tanpa menggantikan keputusan dokter. Salah satu kandidat yang kini banyak dibahas adalah kombinasi EEG (perekaman aktivitas listrik otak) dan kecerdasan buatan (AI).

Jurnal tinjauan terbaru di Artificial Intelligence Review merangkum lebih dari 200 studi tentang penggunaan machine learning (ML) dan deep learning (DL) untuk mendeteksi ciri-ciri ASD, terutama dari sinyal EEG. Di bawah ini adalah ringkasan “bahasa manusia”-nya: bagaimana teknologi ini bekerja, seberapa bagus hasilnya, dan apa tantangan yang masih tersisa.

Baca juga artikel tentang: Misteri DNA Terpecahkan: Kode Tak Terlihat yang Mengatur Hidup Kita

Mengapa EEG?

Electroencephalography (EEG) merekam “gelombang listrik” halus di permukaan kepala menggunakan topi berisi elektroda. Prosedurnya aman, tidak menimbulkan rasa sakit, dan relatif murah. Gelombang tersebut berubah-ubah saat otak memproses informasi, misalnya ketika kita memperhatikan bunyi, gambar, atau sentuhan. Pada sebagian individu autistik, pola respons EEG tertentu bisa berbeda dari populasi neurotipikal. Inilah jejak yang dicari AI: pola yang terlalu samar untuk dilihat mata manusia, tetapi bisa ditangkap algoritme.

Bayangkan EEG sebagai peta cuaca listrik otak. Mata manusia dapat menilai “mendung” versus “cerah”, tetapi AI dapat menghitung perubahan tekanan, arah angin, dan kelembapan secara bersamaan untuk memprediksi hujan. Demikian pula, AI mengekstrak ratusan hingga ribuan fitur dari sinyal EEG untuk menilai apakah pola-pola tertentu lebih sering muncul pada kelompok ASD.

Apa bedanya ML, DL, SVM, dan CNN?

• Machine Learning (ML) adalah payung besar metode komputer yang “belajar dari contoh”. Kita memberi contoh data EEG yang sudah diberi label (ASD atau bukan), lalu model mempelajari perbedaannya.
• Deep Learning (DL) adalah cabang ML yang menggunakan jaringan saraf berlapis-lapis (neural network) untuk otomatis menemukan fitur paling relevan.
• SVM (Support Vector Machine) dan KNN (K-Nearest Neighbors) adalah algoritme ML klasik yang andal untuk data berukuran tidak terlalu besar.
• CNN (Convolutional Neural Network) dan ResNet adalah arsitektur DL yang populer di pengolahan gambar/sinyal; mereka pandai mengekstrak pola spasial dan temporal yang kompleks.
• ANFIS (Adaptive Neuro-Fuzzy Inference System) menggabungkan jaringan saraf dengan logika fuzzy, berguna ketika batas antar-kelas “abu-abu”.

Istilah-istilah ini terdengar teknis, tetapi intinya sama: semuanya mencoba memisahkan “awan EEG” khas ASD dari “awan EEG” lain dengan akurasi setinggi mungkin.

Seberapa akurat?

Tinjauan tersebut melaporkan rentang kinerja yang mencolok pada berbagai studi dan dataset. Beberapa contoh angka yang sering dikutip:

• SVM mencapai akurasi sekitar 95,8% pada dataset tertentu.
• CNN ~ 95%.
• ResNet50 dilaporkan hingga 99,39%.
• ANFIS ~ 98,9%.
• Sensitivitas (seberapa baik mendeteksi ASD) dan spesifisitas (seberapa baik tidak “menuduh” yang bukan ASD) berkisar 85–100%.

Angka-angka ini mengesankan, tetapi harus dibaca hati-hati. Performa tinggi kerap diperoleh pada dataset penelitian yang terkontrol (misalnya kumpulan EEG KAU atau BCI-AUT P300), dengan ukuran sampel terbatas, rekaman yang bersih, dan komposisi peserta tertentu. Ketika model yang sama dipakai di klinik umum, dengan anak yang gelisah, banyak “noise”, variasi usia, bahasa, budaya, atau kondisi penyerta (ADHD, kecemasan, epilepsi) akurasi bisa menurun. Inilah alasan kenapa penulis menekankan perlunya validasi klinis multisenter sebelum dipakai luas.

Singkatnya: hasil laboratorium memberi harapan, tetapi belum berarti siap menjadi “tes darah” untuk autisme.

Mengukur “bagus” itu bagaimana?

Tiga metrik yang sering digunakan:

1. Akurasi: persentase prediksi yang benar dari semua kasus.
2. Sensitivitas: kemampuan menemukan kasus ASD yang memang ASD (menghindari “false negative”).
3. Spesifisitas: kemampuan mengatakan “bukan ASD” pada orang yang memang bukan (menghindari “false positive”).

Dalam skrining dini, sensitivitas biasanya diprioritaskan (lebih baik “terlalu peka” dan kemudian dikonfirmasi oleh klinisi) daripada melewatkan anak yang butuh penilaian lebih lanjut. Namun spesifisitas juga penting agar keluarga tidak terbebani kekhawatiran dan kunjungan lanjutan yang tidak perlu. Menyeimbangkan keduanya adalah tantangan desain sistem.

Apa manfaat praktisnya?

1. Skrining lebih cepat di layanan primer: EEG portabel + algoritme bisa membantu memilah siapa yang perlu dievaluasi komprehensif, mirip alat ukur tekanan darah yang tidak menggantikan dokter jantung.
2. Pemantauan terapi: perubahan pola EEG seiring intervensi bisa menjadi indikator objektif tambahan selain laporan perilaku.
3. Akses yang lebih merata: daerah dengan kekurangan psikolog/psikiater anak dapat terbantu alat skrining otomatis untuk mengurangi antrean.

Tantangan besar yang belum selesai

• Keberagaman data: banyak dataset belum mewakili variasi usia dini, perempuan, kelompok minoritas, bahasa, serta komorbiditas. Model yang dilatih di satu kelompok bisa bias ketika diterapkan pada kelompok lain.
• Kualitas label: “label” ASD biasanya berasal dari penilaian klinis (misalnya ADOS-2). Jika label tidak konsisten antar-klinik, model akan mewarisi ketidakpastian itu.
• Overfitting: model sangat bagus di data latihan, tetapi gagal pada data baru. Perlu pelaporan transparan (train/test terpisah, validasi lintas-pusat).
• Interpretabilitas: klinisi perlu alasan “mengapa” model menilai demikian. Riset explainable AI untuk EEG (misalnya memetakan saluran/e frekuensi yang berkontribusi) sangat penting.
• Etika & privasi: rekaman EEG adalah data kesehatan sensitif. Persetujuan yang jelas, penyimpanan aman, dan audit bias wajib diterapkan.
• Penggunaan yang tepat: alat AI harus diposisikan sebagai pendamping (co-pilot) untuk meningkatkan kualitas penapisan, bukan sebagai pengganti diagnosis klinis yang menyeluruh.

Rekomendasi jalan ke depan

Para penulis menekankan beberapa langkah agar teknologi ini benar-benar bermanfaat:

1. Uji klinis prospektif multisenter dengan sampel besar, mewakili beragam usia, jenis kelamin, bahasa, dan kondisi penyerta.
2. Standarisasi protokol EEG (durasi, tugas, posisi elektroda) agar hasil antar-tempat dapat dibandingkan.
3. Pelaporan metrik yang komprehensif (akurasi, sensitivitas, spesifisitas, AUC) dan pre-registrasi analisis untuk mengurangi bias publikasi.
4. Integrasi multimodal: gabungkan EEG dengan data lain yang etis untuk dibagi (misalnya perilaku tugas sederhana, data sensor gerak) agar prediksi lebih kuat.
5. Desain ramah pengguna: hasil model harus mudah dipahami oleh tenaga kesehatan dan keluarga, misalnya skor risiko plus penjelasan bagian sinyal yang paling berpengaruh.
6. Penilaian nilai tambah: bukan hanya “seberapa akurat”, tetapi apakah skrining AI mempercepat rujukan, menurunkan biaya, dan meningkatkan kepuasan keluarga.

Intinya

Gelombang otak + kecerdasan buatan menawarkan jalur baru menuju skrining autisme yang lebih cepat, terukur, dan berpotensi lebih adil. Tinjauan riset menunjukkan performa yang sangat menjanjikan pada banyak studi, dengan beberapa model mencapai akurasi di atas 95%. Namun, pekerjaan rumahnya juga besar: memperluas keragaman data, memastikan validasi klinis yang kuat, menjelaskan keputusan model, dan menempatkan teknologi ini secara etis di layanan kesehatan.

Untuk saat ini, pendekatan terbaik adalah menganggap AI sebagai alat bantu yang memperkaya informasi bagi klinisi, bukan sebagai hakim tunggal. Jika langkah-langkah pengembangan di atas dijalankan, kita berpeluang memiliki alat skrining yang cepat dan terjangkau, sehingga anak-anak yang membutuhkan dukungan bisa mendapatkannya lebih dini, waktu ketika intervensi paling efektif membuat perbedaan terbesar bagi kualitas hidup mereka dan keluarga.

Baca juga artikel tentang: Pengembangan Bahasa dan Literasi di antara Anak-anak Penderita Autism Spectrum Disorder (ASD)

REFERENSI:

Hatim, Hajir Ammar dkk. 2025. A recent advances on autism spectrum disorders in diagnosing based on machine learning and deep learning. Artificial Intelligence Review 58 (10), 1-92.