Peran Artificial Intelligence dalam Kedokteran Kardiovaskular

Oleh :
dr. Alexandra Francesca Chandra

Peran kecerdasan buatan / artificial intelligence di bidang kardiovaskular saat ini memiliki potensi pengembangan yang sangat luas, di antaranya untuk memprediksi prognosis dan luaran mortalitas pasien gagal jantung dengan fraksi ejeksi normal, serta memprediksi gagal jantung secara lebih cepat dibanding klinisi saja.

Kecerdasan buatan / artificial intelligence (AI) adalah cabang ilmu komputer yang ditujukan untuk “menyerupai” manusia, baik dari segi pengetahuan, kapasitas belajar, maupun jalan pikir manusia.[1] Kecerdasan buatan telah banyak diteliti dan diaplikasikan dalam praktik ilmu kedokteran dalam dekade terakhir ini, misalnya untuk diagnosis kanker dan retinopati diabetik. Hal ini menyebabkan pergeseran paradigma ke arah kedokteran presisi (precision medicine).

Dalam waktu dekat, teknik-teknik kecerdasan buatan akan semakin berperan vital dalam praktik kedokteran kardiovaskular presisi dalam berbagai segi:

  • Identifikasi faktor-faktor risiko yang sebelumnya tidak diketahui
  • Analisis gambar/hasil pemeriksaan penunjang, baik yang sederhana dan sudah digunakan saat ini seperti EKG, hingga analisa pemeriksaan yang lebih kompleks seperti hasil echocardiography, CT scan, atau MRI

  • Mengubah kriteria diagnosis
  • Menentukan pilihan keputusan terapi yang disesuaikan / tailored untuk pasien[1,2]

Depositphotos_239051184_m-2015_compressed

Kecerdasan Buatan di Bidang Kardiovaskular

Kecerdasan buatan memiliki potensial untuk menyimpan data dalam jumlah besar dan mengeksploitasinya dengan kemampuan belajar eksponensial serta daya komputasi yang tinggi (big data analysis). Hal ini memungkinkan komputer untuk belajar lebih cepat daripada manusia, bahkan mengambil pilihan keputusan terbaik dalam situasi tertentu, sesuai dengan algoritma yang sudah dipelajarinya dari data-data dalam jumlah besar tersebut.

Kemampuan untuk menganalisa big data ini memiliki banyak potensi di bidang kardiovaskular:

  • Identifikasi genotip atau fenotip dari sindrom seperti gagal jantung dengan fraksi ejeksi normal (HFpEF), kardiomiopati Takotsubo, dan hipertensi pulmonal primer sehingga dapat dibuat terapi target yang bersifat individual

  • Mendukung pembuatan keputusan klinis, misalnya penentuan pemberian antikoagulan pada atrial fibrilasi nonvalvular
  • Identifikasi faktor risiko yang belum diketahui, misalnya untuk sindrom Brugada dan sindrom koroner akut
  • Menentukan efektivitas biaya dari pemeriksaan atau terapi yang diberikan

Beberapa aspek kecerdasan buatan yang sudah dikembangkan dalam bidang kardiovaskular adalah machine learning, deep learning, dan cognitive computing.[3]

Machine Learning

Machine learning, atau pembelajaran mesin, adalah kemampuan komputer untuk belajar, yang umumnya dikelompokkan menjadi 3 pendekatan: disupervisi (supervised), tidak disupervisi (unsupervised), dan reinforcement.[1-3]

Supervised Learning

Dalam supervised learning, komputer membentuk algoritma sesuai ilmu/data yang diinput/dilabel manusia untuk memprediksi luaran (outcome) dari suatu dataset pasien yang diketahui. Keterbatasan supervised learning yaitu: membutuhkan data dalam jumlah sangat besar sehingga memakan waktu lama karena harus dilabel manual oleh manusia, serta membutuhkan validasi berulang dengan dataset lainnya untuk melatih ketepatan model algoritma tersebut.[1,2]

Unsupervised Learning

Dalam unsupervised learning, komputer membentuk algoritma dari hasil pembelajaran sendiri berdasarkan data-data pasien yang ada. Keuntungan unsupervised learning: dapat menemukan pola tersembunyi dari data-data yang ada untuk mengidentifikasi genotip, fenotip, serta mekanisme penyakit baru yang belum diketahui klinisi sebelumnya. Kekurangan unsupervised learning adalah sulitnya menemukan pola awal untuk membentuk algoritma berpikir (terutama pada noisy data seperti gambaran ekokardiografi), sehingga membutuhkan manual coding dalam beberapa hal di awalnya, serta validasi berulang.[1,2]

Reinforcement Learning

Dalam reinforcement learning, komputer menggunakan kombinasi dari supervised dan unsupervised learning, untuk memaksimalkan akurasi algoritma yang dibentuk komputer dari proses trial and error.[1]

Aplikasi Machine Learning dalam Kedokteran Kardiovaskular

Contoh aplikasi machine learning dalam kedokteran kardiovaskular terkini yaitu dalam memprediksi risiko hospitalisasi pasien HFpEF dengan metode reinforcement learning. AI digunakan untuk mengklasifikasi 46 variabel intrinsik pasien berdasarkan data demografis, klinis, dan pemeriksaan penunjang. Berdasarkan data tersebut, AI membuat 3 klasifikasi fenotip yang digunakan untuk memprediksi luaran mortalitas dan hospitalisasi.

Hasil penelitian berupa peningkatan bermakna risiko hospitalisasi sebesar 4.2 kali lipat pada kelompok 3 dibanding kelompok lainnya, bahkan setelah dilakukan penyesuaian faktor risiko. Klasifikasi pasien HFpEF yang dibuat AI ini bahkan berhasil divalidasi pada kohort prospektif 107 pasien. Hal ini menunjukkan potensi penggunaan AI untuk pembuatan stratifikasi risiko dengan lebih mudah dan akurat dibandingkan sistem skor yang ada saat ini.[4]

Deep Learning

Proses deep learning menyerupai proses berpikir manusia dengan menggunakan beberapa lapis jaringan neuron artifisial / artificial neuronal networks (ANN) untuk menganalisis secara nonlinear dan membentuk prediksi otomatis dari input data yang diberikan.[1,2] Deep learning berpotensi besar dalam pengenalan gambar untuk pencitraan medis kardiovaskular, serta mampu “belajar mandiri” untuk menemukan pola-pola dari data yang ada (misalnya untuk menemukan interaksi obat). Kekurangan deep learning adalah membutuhkan dataset yang besar sehingga membutuhkan kolaborasi berbagai institusi dan rekam medis elektronik terintegrasi, serta adanya mesin tersendiri yang mampu / memiliki kapasitas deep learning.

Aplikasi Deep Learning di Bidang Kedokteran Kardiovaskular

Kecerdasan buatan dengan deep learning ditemukan dapat memprediksi end-systolic dan end-diastolic volume melalui MRI[5], memprediksi gagal jantung 9 bulan sebelum diagnosis dibuat oleh klinisi[6], serta menganalisis gelombang elektrokardiografi (EKG) menjadi normal, abnormal, dan mengancam jiwa dengan tingkat akurasi 99%[7].

Cognitive Computing

Komputasi kognitif / cognitive computing adalah cara komputer untuk “belajar sendiri” dengan menggunakan machine learning atau deep learning, serta pengenalan pola (pattern recognition), untuk menyerupai proses pikir manusia. Hal ini bertujuan menciptakan model algoritma untuk memecahkan masalah tanpa bantuan manusia, contohnya IBM Watson. IBM Watson adalah satu jenis komputasi kognitif yang “belajar” secara kontinu dari berbagai dataset (misalnya rekam medis elektronik) untuk memprediksi berbagai luaran/outcome lebih akurat dari manusia[1,2].

Aplikasi Cognitive Computing di Bidang Kedokteran Kardiovaskular

Publikasi tahun 2016 mencakup 50 pasien menggunakan pendekatan kecerdasan buatan komputasi kognitif untuk membedakan perikarditis konstriktif dari kardiomiopati restriktif menggunakan data 15 variabel dari 3D-STE (3D speckle-tracking echocardiography) dan 4 variabel dari ekokardiografi. Hasilnya menunjukkan bahwa penggunaan kecerdasan buatan dapat mendiagnosis perikarditis konstriktif dari kardiomiopati restriktif secara akurat, sehingga dinilai berpotensi membantu interpretasi pencitraan kardiak, terutama bagi tenaga medis pemula dengan keterbatasan pengalaman.

Studi di atas masih bersifat studi pilot dengan 50 sampel pasien sehingga memerlukan penelitian lebih lanjut, terutama untuk membandingkannya dengan standar baku emas diagnosis perikarditis konstriktif. Walau demikian, studi ini menunjukkan potensi penggunaan kecerdasan buatan untuk membantu dokter dalam menegakkan diagnosis dengan lebih akurat.

Penerapan AI Bidang Kardiovaskular di Indonesia

Di Indonesia yang memiliki prevalensi penyakit kardiovaskular yang tinggi dengan kardiologis dan fasilitas kesehatan yang terbatas, penggunaan AI dapat membantu stratifikasi risiko yang lebih baik. Layanan kesehatan di tempat terpencil juga dapat disediakan tanpa memerlukan dokter spesialis yang banyak. Walau demikian, terdapat limitasi akibat data medis yang tidak lengkap akibat tingkat follow up yang rendah serta kurangnya koordinasi pencatatan rekam medis di dalam dan antar institusi.

Kesimpulan

AI akan memerankan peranan yang lebih besar dalam bidang kedokteran, termasuk dalam bidang kedokteran kardiovaskular. AI akan membantu dokter untuk menentukan diagnosis dan pilihan terapi yang disesuaikan / tailored untuk pasien. Contoh peran artificial intelligence yang terus dikembangkan di bidang kardiovaskular adalah untuk memprediksi survival pasien HFpEF, memprediksi end-systolic dan end-diastolic volume melalui MRI[5], memprediksi gagal jantung lebih cepat, analisa gelombang EKG, serta membedakan perikarditis konstriktif dari kardiomiopati restriktif melalui ekokardiografi.

Referensi