Model AI Machine Learning dan Deep Learning Tingkatkan Diagnosis Alergi Makanan

(SeaPRwire) –   Model machine learning menunjukkan peningkatan akurasi diagnostik sekitar 40% dibandingkan dengan
tantangan makanan oral standar, tes tusuk kulit, dan pengukuran IgE spesifik alergen

MILWAUKEE, 14 Feb 2026 — Baik model machine learning maupun deep learning AI menunjukkan peningkatan signifikan dibandingkan kriteria klinis yang ada untuk diagnostik alergi makanan, menurut penelitian baru yang dipresentasikan di .

“Standar perawatan saat ini untuk diagnosis alergi makanan bergantung pada tes tusuk kulit, IgE spesifik alergen, dan tantangan makanan oral jika hasilnya tidak meyakinkan. Model machine learning kecerdasan buatan (ML) menunjukkan peningkatan akurasi diagnostik sebesar 40% dibandingkan kriteria klinis yang ada, dan model deep learning (DL) yang lebih canggih semakin meningkatkan kinerja diagnostik dibandingkan metode ML, dengan peningkatan 10-15% pada area di bawah kurva. Metode diagnostik untuk alergi makanan ditingkatkan oleh ML/DL dan berpotensi mengungguli strategi saat ini serta meningkatkan standar perawatan,” kata penulis utama McKenzie J. Williams, Howard University Karsh STEM Scholar.

Dalam penelitian ini, para peneliti melatih jaringan saraf konvolusional (CNN) machine learning (ML) dan deep learning (DL) pada pengukuran tes tusuk kulit (SPT), IgE spesifik alergen (sIgE), dan protein komponen serum termasuk peanut (PN)-IgE rAra h 1,2,3,6; PN-IgG4 rAra h 1,2,3, 6, yang dikumpulkan sebagai bagian dari uji coba IMPACT pada saat tantangan makanan oral (OFC) kacang 146 baseline. Uji coba ini melibatkan anak-anak berusia 1 hingga 4 tahun.

Dalam studi ini, kinerja algoritmik menunjukkan nilai prediktif yang kuat dari PN-sIgE Ara h2 dan PN-IgE/IgG4 (sensitivitas: 88,9; spesifisitas: 84,5; nilai prediktif positif (PPV): 89). Model ML menunjukkan peningkatan yang patut diperhatikan dibandingkan kriteria klinis yang ada, dengan peningkatan sekitar 40% dalam akurasi diagnostik, menurut para peneliti. Penggunaan model DL yang lebih canggih menunjukkan peningkatan kinerja diagnostik dibandingkan metode ML, dengan peningkatan 10-15% pada area di bawah kurva. Sebagai hasilnya, model DL yang dilatih dengan tes untuk standar perawatan mampu sangat meningkatkan sensitivitas dan PPV sambil tidak kalah dengan metode diagnostik yang digunakan dalam praktik.

Para peneliti menyarankan bahwa peningkatan kinerja diagnostik untuk penemuan biomarker OFC ini dapat digunakan untuk mengembangkan alternatif diagnostik untuk alergi makanan yang dapat diskalakan dan lebih efisien daripada OFC standar, tes tusuk kulit, dan pengukuran IgE spesifik alergen (sIgE).

Kunjungi  untuk mempelajari lebih lanjut tentang . Penelitian yang dipresentasikan pada 2026 AAAAI Annual Meeting, 27 Februari – 2 Maret di Philadelphia, PA, diterbitkan dalam  untuk The Journal of Allergy and Clinical Immunology (JACI).

American Academy of Allergy, Asthma & Immunology (AAAAI) adalah organisasi keanggotaan terkemuka yang terdiri dari lebih dari 7.100 ahli alergi, spesialis asma, ahli imunologi klinis, dan profesional lainnya yang memiliki minat khusus dalam penelitian dan pengobatan penyakit alergi dan imunologis. Didirikan pada tahun 1943, AAAAI adalah sumber utama bagi pasien yang hidup dengan alergi, asma, dan gangguan kekebalan tubuh.

SUMBER American Academy of Allergy, Asthma & Immunology (AAAAI)