ภาวะสมองเสื่อมระยะเริ่มแรกถือปัญหาที่พบได้ทั่วไปในผู้สูงอายุ แบบคัดกรองกลุ่มเสี่ยงภาวะสมองเสื่อมระยะเริ่มแรกของผู้สูงอายุในปัจจุบันมักเป็นแบบคัดกรองภาวะสมองเสื่อมฉบับกระชับ ซึ่งยังขาดความเฉพาะเจาะจงสำหรับการประเมินภาวะสมองเสื่อมระยะเริ่มแรกในหลายบริบทและพื้นที่ นอกจากนี้ ยังไม่พบแบบคัดกรองภาวะสมองเสื่อมระยะเริ่มแรกที่พิจารณาเรื่องการบูรณาพหุประสาทเป็นฐานคิด รวมถึงใช้คลื่นไฟฟ้าสมองและขั้นตอนวิธีการเรียนรู้ของเครื่องแบบต่างๆ งานวิจัยนี้จึงมุ่งสร้างโปรแกรมคัดกรองภาวะสมองเสื่อมระยะเริ่มแรกแบบรวดเร็วและบูรณาการพหุประสาทที่ผนวกทั้งคลื่นไฟฟ้าสมองและการเรียนรู้ของเครื่อง และมุ่งทดสอบค่าคุณสมบัติทางจิต (ได้แก่ ความเที่ยงและความตรง) ของโปรแกรมที่พัฒนาขึ้น โปรแกรมนี้ถูกใช้คัดกรองภาวะสมองเสื่อมในผู้สูงอายุในชุมชนจำนวน 120 คน และตัวโปรแกรมประกอบด้วยกิจกรรมทดสอบ 3 กิจกรรม ได้แก่ กิจกรรมทดสอบทางการมอง การได้ยิน และบูรณาการพหุประสาท กลุ่มตัวอย่างในโครงการวิจัยนี้ แบ่งออกเป็น ผู้สูงอายุกลุ่มเสี่ยงภาวะสมองเสื่อมระยะเริ่มแรกจำนวน 60 คน และผู้สูงอายุกลุ่มปกติจำนวน 60 คน สถิติที่ใช้ในการทดสอบความเที่ยงและความตรง ได้แก่ ค่า Cronbach’s alpha และขั้นตอนวิธีการเรียนรู้ของเครื่อง 4 แบบ (ได้แก่ แบบ random forest แบบ linear support vector classification แบบ k-nearest neighbors และ แบบ neural network) ผลการวิเคราะห์ข้อมูล พบว่า พารามิเตอร์เชิงพฤติกรรมและคลื่นไฟฟ้าสมองจากกิจกรรมทดสอบทั้ง 3 มีความเที่ยงในระดับสูงมาก (>.90) นอกจากนี้พารามิเตอร์เชิงพฤติกรรมสามารถจำแนกผู้สูงอายุทั้งสองกลุ่มได้ดีกว่าพารามิเตอร์เชิงคลื่นไฟฟ้าสมองทั้งสองแบบ (พลังงงานสัมพัทธ์และศักย์ไฟฟ้าสมองสัมพันธ์กับเหตุการณ์) พารามิเตอร์เชิงพฤติกรรมสามารถจำแนกผู้สูงอายุกลุ่มเสี่ยงภาวะสมองเสื่อมระยะเริ่มแรกออกจากกลุ่มปกติได้แม่นยำร้อยละ 90 ขณะที่พลังงานสัมพัทธ์แม่นยำร้อยละ 76.67 และศักย์ไฟฟ้าสมองสัมพันธ์กับเหตุการณ์แม่นยำร้อยละ 56.67 สุดท้ายโปรแกรมคัดกรองฯ ที่สร้างขึ้นแบ่งออกเป็น 3 กิจกรรมทดสอบ ซึ่งใช้เวลาในการทดสอบน้อยกว่า 15 นาที โดยโปรแกรมคัดกรองฯ ใช้ขั้นตอนวิธีของการเรียนรู้ของเครื่องแบบ neural network ในการแปลผลคะแนน และยังสามารถใช้ร่วมกับการวัดคลื่นไฟฟ้าสมองได้อีกด้วย คำสำคัญ: การบูรณาการพหุประสาท โปรแกรมคัดกรองทางคอมพิวเตอร์ ภาวะสมองเสื่อมระยะเริ่มแรก คลื่นไฟฟ้าสมอง ขั้นตอนวิธีการเขียนรู้ของเครื่อง <br><br>Mild cognitive impairment (MCI) is common problems in older adults. The cognitive screening of older adults at risk of MCI is commonly restricted to brief dementia screens, with less consideration to their suitability for assessing mild cognitive impairment in several contexts and settings. Further, there has no a computerized MCI screening test, which consider a multisensory integration and incorporate brainwave measurement (EEG and Event-related potential or ERP) and machine learning algorithms. The current study aimed to create the rapid and computerized program of mild cognitive impairment screening test incorporating the multisensory integration, brainwaves, and machine learning algorithms and to test the psychometric properties (i.e., reliability and validity) of the developed program. The developed program was designed to detect MCI in 120 EEC community-dwelling older adults and it composed of three cognitive tasks, that is, visual, auditory, and multisensory integration tasks. Participants were 60 MCI older adults and 60 healthy older adults. Cronbach’s alpha, machine learning algorithms (random forest, linear support vector classification, k-nearest neighbors, and neural network) were used to examine the reliability and validity of the developed program. Behavoiural and brainwave parameters across three cognitive tasks yielded excellent reliability (>.90) and significantly discriminated between MCI and healthy older adults. The behavioural parameters outperformed brainwave parameters for discriminating older adults. The accuracy of the machine learning algorithm for the behavioural parameters were 90%, whereas, that of the for the brainwave parameters were 76.67% (EEG) and 56.67% (ERP), respectively. Finally, the developed program consists of three cognitive tasks and it may take less than 15 minutes to complete. In addition, the developed program also incorporates machine learning algorithm and well suits with brainwave recording. Keywords: Multisensory integration, computerized screening test, mild cognitive impairment, brainwaves, machine learning algorithms