মেশিন লার্নিং মডেল কি সঠিকভাবে অটিজম স্পেকট্রাম ডিসঅর্ডারের পূর্বাভাস দিতে পারে?

সম্প্রতি প্রকাশিত এক গবেষণায় ড JAMA ইন্টারনেট ওপেন, গবেষকরা 30,000 টিরও বেশি অংশগ্রহণকারীদের ডেটাসেটে চারটি মেশিন লার্নিং (ML) মডেল তৈরি এবং যাচাই করেছেন যাতে একটি অভিনব ML অ্যালগরিদম (নাম “AutMedAI”) সনাক্ত করা যায় যা অটিজম স্পেকট্রাম ডিসঅর্ডার (ASD) এর প্রাথমিক সনাক্তকরণের জন্য তথ্য দিতে পারে।

অধ্যয়ন: ন্যূনতম চিকিৎসা এবং পটভূমির তথ্য থেকে অটিজম স্পেকট্রাম ডিসঅর্ডারের পূর্বাভাস দিতে মেশিন লার্নিং. ছবির উৎস: vetre/Shutterstock.com

পরিচয় করিয়ে দেওয়া

তাদের ফলাফলগুলি এই গবেষণায় সেরা পারফর্মিং এমএল মডেল হিসাবে এক্সট্রিম গ্রেডিয়েন্ট বুস্টিং (এক্সজিবিওস্ট) অ্যালগরিদমকে হাইলাইট করেছে।

উল্লেখযোগ্যভাবে, মডেলটি উল্লেখযোগ্যভাবে ঐতিহ্যগত প্রশ্নাবলী এবং পূর্ববর্তী কৃত্রিম বুদ্ধিমত্তা (AI) অ্যাপ্লিকেশনগুলিকে ছাড়িয়ে গেছে, যার জন্য ভবিষ্যদ্বাণী করার জন্য শুধুমাত্র একটি ন্যূনতম পরিমাণ (n = 28) রুটিন চাইল্ড কেয়ার প্রেক্ষাপট এবং মেডিকেল ডেটা প্রয়োজন।

এই অধ্যয়নটি অটিজম স্পেকট্রাম ডিসঅর্ডারের প্রাথমিক এবং নিয়মিত সনাক্তকরণের আদর্শের দিকে একটি প্রতিশ্রুতিশীল প্রথম পদক্ষেপের প্রতিনিধিত্ব করে, রোগী এবং তাদের পরিবারের জন্য উল্লেখযোগ্য আর্থ-সামাজিক চাপ থেকে মুক্তি দেয় এবং তাদের ভবিষ্যতের জীবনযাত্রার মান উন্নত করে।

পটভূমি

অটিজম স্পেকট্রাম ডিসঅর্ডার (এএসডি, পূর্বে “অটিজম”) হল বিভিন্ন স্নায়বিক এবং উন্নয়নমূলক ব্যাধিগুলির একটি গ্রুপ যা একজন ব্যক্তির যোগাযোগ, শেখার এবং আচরণকে পরিবর্তন করে এবং আন্তঃব্যক্তিক যোগাযোগকে মারাত্মকভাবে বাধা দিতে পারে।

কয়েক দশকের গবেষণা সত্ত্বেও, অটিজম স্পেকট্রাম ডিসঅর্ডারের নির্ণয় এবং চিকিত্সা একটি চলমান ক্লিনিকাল এবং মানসিক বাধা রয়ে গেছে। রিপোর্ট অনুমান করে যে 1% মানুষ এই রোগে ভুগছে এবং মার্কিন যুক্তরাষ্ট্রের মতো উন্নত দেশগুলিতে এই সংখ্যা 3% এর কাছাকাছি।

অটিজম স্পেকট্রাম ডিসঅর্ডার (ASD) রোগী এবং তাদের পরিবারের উপর একটি উল্লেখযোগ্য আর্থ-সামাজিক এবং মানসিক স্বাস্থ্যের বোঝা চাপিয়ে দেয়।

যদিও অটিজম স্পেকট্রাম ডিসঅর্ডারের মনস্তাত্ত্বিক প্রক্রিয়া বহুমুখী এবং বর্তমান কাজের সুযোগের বাইরে, প্রাথমিক সনাক্তকরণ এবং পরবর্তী হস্তক্ষেপ হল জনসংখ্যা জুড়ে ফলাফলের উন্নতির সর্বোত্তম রূপ।

অটিজম স্পেকট্রাম ডিসঅর্ডারগুলির জন্য স্ক্রীনিংয়ের জন্য ঐতিহ্যগত সোনার মানদণ্ডের মধ্যে আচরণগত প্রশ্নাবলীর ব্যবহার জড়িত (যেমন অল্পবয়সী শিশুদের জন্য পরিবর্তিত অটিজম চেকলিস্ট) যা শিশুদের বা তাদের যত্নশীলদের জন্য পরিচালিত হয়।

যদিও এই পদ্ধতিগুলি ASD শনাক্ত করার বয়সকে উল্লেখযোগ্যভাবে সংক্ষিপ্ত করেছে, এই প্রশ্নাবলী প্রায়শই খুব বিস্তারিত এবং বিশেষ জ্ঞান এবং বিশেষ পরীক্ষার প্রয়োজন হয়।

আধুনিক স্ক্রীনিং পদ্ধতিগুলি প্রক্রিয়াগুলিকে স্বয়ংক্রিয় করতে মেশিন লার্নিং (ML) এবং অনুরূপ (AI) মডেলগুলি প্রয়োগ করতে চায়, যার ফলে পেশাদার নির্দেশনার প্রয়োজনীয়তা এড়িয়ে যায়।

দুর্ভাগ্যবশত, এই মডেলগুলি শুধুমাত্র গবেষণা সেটিংসে যাচাই করা হয়েছে এবং নির্ভরযোগ্য ভবিষ্যদ্বাণী করার জন্য প্রচুর পরিমাণে কাঁচা ডেটার প্রয়োজন বলে মনে হচ্ছে।

অধ্যয়ন সম্পর্কে

এই গবেষণায়, গবেষকরা শুধুমাত্র সহজলভ্য ব্যাকগ্রাউন্ড মেডিকেল এবং পারিবারিক ইতিহাসের তথ্য ব্যবহার করে প্রাথমিক ASD সনাক্তকরণে সক্ষম একটি নভেল মেশিন লার্নিং মডেল বিকাশ ও যাচাই করার লক্ষ্য রেখেছিলেন।

মডেল ডেভেলপমেন্ট এবং ট্রেনিং ডেটা সিমন্স ফাউন্ডেশন সাপোর্টিং রিসার্চ অন অটিজম নলেজ (স্পার্ক) স্টাডি থেকে এসেছে (সংস্করণ 8 – জুন 2022), যা 26টি মার্কিন রাজ্য থেকে 30,660 জন অংশগ্রহণকারীকে নিয়ে গঠিত।

স্পার্ক সংস্করণ 10 (জুলাই 2023) এবং সিমন্স সিমপ্লেক্স সংগ্রহ (এসএসসি) (n = 14,790) থেকে ডেটা ব্যবহার করে আন্তঃ-মডেল কর্মক্ষমতা তুলনা এবং ঐক্যমত্য মডেল বৈধতা সম্পাদিত হয়েছিল।

অধ্যয়নের ডেটার মধ্যে রয়েছে: 1. প্রাথমিক চিকিৎসা স্ক্রীনিং তথ্য, 2. পটভূমির পারিবারিক ইতিহাস, 3. রোগীর জাতি/জাতিসহ জনসংখ্যা সংক্রান্ত তথ্য, 4. প্রশ্নাবলীর স্কোর, বিশেষ করে চাইল্ড বিহেভিয়ার চেকলিস্ট (CBCL) এবং সোশ্যাল কমিউনিকেশন প্রশ্নাবলী (SCQ) স্কোর এবং ফুল স্কেল ইন্টেলিজেন্স কোটিয়েন্ট (FSIQ)। এর মধ্যে, 28টি ভেরিয়েবল নির্বাচন করা হয়েছিল কারণ তারা সহজে অ্যাক্সেসযোগ্য এবং 24 মাসের কম বয়সী রোগীদের জন্য প্রযোজ্য।

“…চিকিৎসা এবং ব্যাকগ্রাউন্ড প্রশ্নাবলীতে সহজে উপলব্ধ, অ-আক্রমণকারী, পিতামাতার-প্রতিবেদিত তথ্যের ভিত্তিতে নির্বাচন করা হয়েছিল, 28টি ভেরিয়েবলগুলিকে সম্মতি-ভিত্তিক পদ্ধতি ব্যবহার করে নির্বাচন করা হয়েছিল প্রাথমিক চিকিৎসা স্ক্রীনিংয়ে দুজন উপস্থিত ছিলেন এবং পটভূমির ইতিহাসের তথ্যে 17 জন উপস্থিত ছিলেন।

গবেষকরা চারটি এমএল অ্যালগরিদমের কর্মক্ষমতা এবং নির্ভরযোগ্যতা প্রশিক্ষিত এবং পরীক্ষা করেছেন: 1. লজিস্টিক রিগ্রেশন, 2. র্যান্ডম ফরেস্ট, 3. ডিসিশন ট্রি এবং 4. এক্সট্রিম গ্রেডিয়েন্ট বুস্টিং (এক্সজিবিবুস্ট)। সমস্ত মডেল পাইথন স্কিট-লার্ন লাইব্রেরি ব্যবহার করে তৈরি করা হয়েছে।

DeLong অ্যালগরিদম মডেল কর্মক্ষমতা মূল্যায়নের জন্য রিসিভার অপারেটিং চরিত্রগত বক্ররেখা (AUROC) এর অধীনে এলাকা গণনা করতে ব্যবহৃত হয়েছিল। উপরন্তু, ইতিবাচক ভবিষ্যদ্বাণীমূলক মান (PPV), F1 স্কোর, সংবেদনশীলতা, এবং মডেল নির্ভরযোগ্যতার জন্য নির্দিষ্টতা গণনা করা হয়েছিল।

গবেষণা ফলাফল

প্রশিক্ষণ এবং বৈধতা দলে 30,660 জন অংশগ্রহণকারী (যথাক্রমে ASD এবং নন-ASD সাবকোহর্টের জন্য 15,330) ছিল। অংশগ্রহণকারীরা ছিল 63.5% পুরুষ (n = 19,477), প্রধানত সাদা (59.7%), এবং গড় বয়স ছিল 113 মাস।

চারটি মডেল পরীক্ষার ফলাফল দেখায় যে XGBoost অ্যালগরিদম সর্বোত্তম কার্য সম্পাদন করে (AUROC = 0.895)। মডেলের একটি সামঞ্জস্যপূর্ণ সংস্করণ মডেল ভবিষ্যদ্বাণী যাচাইকরণের জন্য ব্যবহৃত হয়েছিল, যার নাম “AutMedAI”।

ভবিষ্যদ্বাণীমূলক মডেল পরীক্ষায় দেখা গেছে যে AutMedAI সঠিকভাবে 78.9% (n = 9,417) অংশগ্রহণকারীদের অটিজম স্পেকট্রাম ডিসঅর্ডার (AUROC = 0.790) হিসাবে চিহ্নিত করতে এবং নির্ণয় করতে পারে।

গবেষকরা তারপর মডেলের উচ্চ ভবিষ্যদ্বাণীমূলক শক্তির সাথে সবচেয়ে বেশি যুক্ত বৈশিষ্ট্যগুলি সনাক্ত করতে SHAP মান গণনা করেছেন।

“…বৈশিষ্ট্য যেমন খাদ্যতালিকাগত সমস্যা, যে বয়সে বাক্যাংশ বা বাক্য (ক্রিয়া শব্দ সহ) প্রথম ব্যবহার করা হয়েছিল, যে বয়সে দীর্ঘ বাক্য গঠন করা হয়েছিল, অন্ত্রের প্রশিক্ষণের বয়স এবং প্রথম হাসির বয়স সবচেয়ে গুরুত্বপূর্ণ ভবিষ্যদ্বাণী হিসাবে আবির্ভূত হয়েছিল কারণ তারা এটি উচ্চ SHAP মান দ্বারা প্রদর্শিত হয়।

উপসংহারে

এখানে, গবেষকরা 45,000 টিরও বেশি অংশগ্রহণকারীদের একটি মার্কিন পরীক্ষা এবং বৈধতা দলে ASD-এর জন্য উচ্চ ঝুঁকিতে থাকা শিশুদের প্রাথমিক সনাক্তকরণ এবং স্ক্রীনিংয়ের জন্য AutMedAI একটি অভিনব ML মডেল তৈরি, পরীক্ষা এবং যাচাই করে৷

বর্তমান ASD স্ক্রীনিং পদ্ধতি বিশেষ আচরণগত পরীক্ষা ব্যবহার করে এবং পেশাদার পরীক্ষকদের প্রয়োজনীয়তা প্রয়োজন।

AutMedAI শুধুমাত্র নিয়মিত সংগৃহীত শিশু যত্ন এবং পারিবারিক ব্যাকগ্রাউন্ড মেডিকেল ডেটা ব্যবহার করে উচ্চ ভবিষ্যদ্বাণী করার ক্ষমতা অর্জনের মাধ্যমে এই প্রয়োজনীয়তাগুলি দূর করা লক্ষ্য করে।

ফলাফলগুলি ইঙ্গিত দেয় যে মডেলটি সফল এবং এর ভবিষ্যদ্বাণী করার ক্ষমতা বিশেষ আচরণগত পরীক্ষার প্রয়োজন ছাড়াই বর্তমান সোনার মান ASD প্রশ্নাবলীর সাথে তুলনীয়।

একসাথে, AutMedaAI এবং অনুরূপ পরবর্তী প্রজন্মের মেশিন লার্নিং প্ল্যাটফর্মগুলি রোগী এবং তাদের পরিবারের উপর ASD এর মানসিক এবং আর্থ-সামাজিক প্রভাব উল্লেখযোগ্যভাবে হ্রাস করার প্রথম পদক্ষেপ।