Abstrak:Machine learning dapat didefinisikan sebagai aplikasi komputer dan algoritma matematika yang diterapkan menggunakan metode pembelajaran yang berasal dari data dan dapat memberikan beberapa prediksi di masa depan. Dengan kemajuan teknologi di bidang matematika dan ilmu komputer, algoritma machine learning dapat digunakan oleh dokter untuk membuat diagnosis yang lebih akurat dan diagnosis diferensial. Algoritma seperti K-Nearest Neighbor (KNN), Decision tree, Naïve Bayes, Artificial Neural Networks, dan Deep learning dapat digunakan untuk membantu dokter menentukan diagnosis mana yang tepat dan jenis diagnosis diferensial apa yang sesuai dengan gejala yang ada.
Makalah ini mempelajari potensi penggunaan algoritma machine learning dalam bidang kesehatan, terutama untuk prediksi yang ditujukan kepada dokter umum. Penelitian ini merupakan penelitian tinjauan pustaka. Tinjauan pustaka akan dilakukan dengan mencari artikel dari Google Scholar dan menemukan artikel terkait dengan topik ini. Kata kunci untuk pencarian artikel adalah “machine learning,” “Diagnosis,” “Supervised Learning,” “Unsupervised Learning,” dan “Reinforcement Learning.” Strategi pencarian menggunakan “machine learning” dan “Diagnosis” ditambah “Supervised Learning” ATAU “Unsupervised Learning,” ATAU “Reinforcement Learning.” Tahun maksimum untuk literatur adalah dari 2020, kecuali jika tidak ada penelitian terkait, maka artikel yang lebih lama bisa dicari.
Penggunaan machine learning dalam bidang kesehatan, khususnya untuk prediksi diagnosis, adalah sebuah frontier baru dalam dunia medis. Penggunaan Supervised Machine Learning untuk memprediksi penyakit jantung, memprediksi diabetes, memprediksi sepsis dengan menggunakan K-Nearest Neighbor, Naïve Bayesian, dan regresi logistik, sementara Unsupervised machine learning dapat digunakan untuk membuat mesin mempelajari pola penyakit seperti deteksi anomali pada sinyal ECG, estimasi interval referensi untuk penyakit ginjal kronis dengan menggunakan K-Means clustering, hierarchical clustering, DBSCAN, PCA, dan t-SNE, serta algoritma Gaussian mixture model. Terakhir, reinforcement learning dalam bidang kesehatan adalah aplikasi model keputusan Markov untuk merekomendasikan obat yang paling sesuai.Model prediksi untuk machine learning juga dapat digunakan untuk prediksi diagnosis di layanan kesehatan primer. K-Nearest Neighbor dan Decision tree direkomendasikan untuk membuat prediksi diagnosis di layanan kesehatan primer.
Kata Kunci: Artificial Intelligence, Primary care, Machine learning, Diagnosis
LATAR BELAKANG
Artificial Intelligence adalah salah satu cabang dalam ilmu komputer yang mengkhususkan diri dalam pembuatan perangkat lunak dan perangkat keras yang dapat berfungsi untuk berpikir seperti manusia [1]. Artificial intelligence digunakan dalam berbagai masalah seperti bisnis [2], Robotika, Pemrosesan Bahasa Alami, Matematika, Permainan, Persepsi, Diagnosis Medis, analisis keuangan, analisis ilmiah, dan analisis umum [3]. Machine learning dapat didefinisikan sebagai aplikasi komputer dan algoritma matematika yang diterapkan menggunakan metode pembelajaran yang berasal dari data dan dapat memberikan beberapa prediksi di masa depan [4]. Proses pembelajaran yang disebutkan sebelumnya adalah usaha untuk memperoleh kecerdasan melalui dua tahap yaitu pelatihan dan pengujian [5].
Diagnosis dalam kedokteran atau yang biasa kita sebut dengan “Diagnosis Medis” adalah suatu proses untuk menentukan penyakit atau kondisi yang menjelaskan gejala dan tanda yang dialami seseorang. Ketika seorang dokter menentukan diagnosis awal, itu masih berupa kemungkinan. Diagnosis ditetapkan melalui Anamnesis, Pemeriksaan Fisik, dan terkadang temuan Laboratorium dan Radiologi [6]. Sebuah diagnosis tidak akan sepenuhnya akurat, itulah sebabnya dokter memiliki diagnosis lain yang disebut “diagnosis diferensial” [7]. Oleh karena itu, seorang dokter perlu memiliki pengalaman untuk membuat diagnosis yang benar, terutama diagnosis awal. Dokter umum adalah dokter garis depan, dan setiap diagnosis yang mereka buat akan menentukan kondisi pasien untuk dirujuk atau ditangani di perawatan primer.
Dengan kemajuan teknologi dalam matematika dan ilmu komputer, algoritma machine learning dapat digunakan oleh dokter untuk membuat diagnosis yang lebih akurat dan diagnosis diferensial. Algoritma seperti K-Nearest Neighbor (KNN), Decision tree, Naïve Bayes, Artificial Neural Networks, dan Deep learning dapat digunakan untuk membantu dokter menentukan diagnosis mana yang tepat dan jenis diagnosis diferensial apa yang sesuai dengan gejala yang ada. Penerapan machine learning baik yang diawasi (supervised) maupun tidak diawasi (unsupervised) dalam dunia medis akan membantu dan meningkatkan kemampuan dokter untuk memprediksi diagnosis fungsional di masa depan.
Makalah ini mempelajari potensi penggunaan algoritma machine learning dalam bidang kesehatan, terutama untuk membuat prediksi yang ditujukan kepada dokter umum. Peneliti berharap bahwa dokter umum dapat mempelajari dan menggunakan algoritma ini dalam praktik mereka untuk membantu mereka dalam pekerjaan mereka.
METODOLOGI PENELITIAN
Penelitian ini adalah penelitian Literature Review. Literature Review adalah jenis penelitian yang melibatkan pencarian, membaca, menganalisis, mengevaluasi, dan merangkum literatur ilmiah, yang umumnya berupa jurnal dan artikel tentang topik tertentu. Hasil dari tinjauan pustaka bisa berupa laporan atau artikel, atau bisa juga menjadi bagian dari artikel, tesis, disertasi, atau proposal hibah. Jenis literatur yang akan ditinjau dalam artikel ini adalah penerapan machine learning dalam praktik medis secara luas, terutama dalam perawatan primer. Tinjauan pustaka akan dilakukan dengan mencari artikel dari Google Scholar dan menemukan artikel yang relevan dengan topik ini. Kata kunci untuk pencarian artikel adalah “Machine Learning,” “Diagnosis,” “Supervised Learning,” “Unsupervised Learning,” dan “Reinforcement Learning.” Strategi pencarian menggunakan “Machine Learning” dan “Diagnosis” ditambah “Supervised Learning” ATAU “Unsupervised Learning,” ATAU “Reinforcement Learning.” Tahun maksimum untuk literatur adalah dari 2020, kecuali jika tidak ada penelitian yang relevan, maka artikel yang lebih lama dapat dicari. Penelitian ini juga memberikan contoh algoritma machine learning yang berbasis pada kasus yang diekstrak dari data pasien peneliti.
HASIL DAN PEMBAHASAN
Dari artikel-artikel yang kami cari, kami menemukan 3 artikel terbaik yang menggunakan supervised learning dari tahun 2020 hingga 2024, 2 artikel terbaik untuk unsupervised learning dari tahun 2020 hingga 2024, dan 2 artikel terbaik untuk reinforcement learning dari tahun 2020 hingga 2024. Namun sebelum kita membahas hasilnya lebih dalam, karena ini adalah konferensi ilmiah dan teknik, kami akan menjelaskan bagaimana seorang dokter dapat membuat diagnosis. Dengan menjelaskan hal ini, kami berharap para teknisi dapat memahami mengapa diagnosis sering berubah.
a. Proses Pembuatan sebuah diagnosis
Berbeda dengan ilmu komputer yang menggunakan angka 1 untuk benar dan 0 untuk salah, bidang kedokteran penuh dengan probabilitas. Ketika seorang dokter menerima pasien baru, pasien akan memberitahukan gejala-gejalanya. Melalui wawancara dan pemeriksaan fisik, seorang dokter akan mulai membuat diagnosis sementara dan diagnosis diferensial yang sesuai. Dari sini, probabilitas untuk sebuah diagnosis akan mulai memainkan peran. Seorang dokter akan membuat diagnosis berdasarkan pengetahuan medisnya dan terkadang asumsi, seperti misalnya “anemia, yang disebabkan oleh defisiensi zat besi dengan diagnosis diferensial defisiensi folat” atau “Angina pektoris tidak stabil dengan diagnosis diferensial Non-ST-Elevated myocardial infarction”. Oleh karena itu, kita perlu memahami bagaimana seorang dokter membuat diagnosis.
Anamnesis, dalam kasus medis, adalah sekumpulan data dan informasi yang dikumpulkan dokter melalui wawancara medis. Anamnesis melibatkan pasien dan terkadang orang-orang yang dekat dengan pasien. Anamnesis sangat penting untuk mengelola diagnosis medis dan memberikan pengobatan medis yang efisien. Ada dua konsep dalam anamnesis yang ada, yaitu empat dasar fundamental dan tujuh suci [8]. Setelah anamnesis, untuk mengonfirmasi dan mencari temuan abnormal di tubuh, dokter akan meminta pasien untuk melakukan pemeriksaan fisik. Pemeriksaan ini meliputi penemuan tanda vital (tekanan darah, detak jantung, laju pernapasan, suhu tubuh) dan pemeriksaan sistem tubuh terkait yang mencakup inspeksi, palpasi, perkusi, dan auskultasi. Ada juga pemeriksaan neurologis untuk penyakit saraf, pemeriksaan Obstetri dan Ginekologi untuk wanita hamil, serta banyak pemeriksaan lainnya yang sesuai dengan masalah pada sistem tubuh tertentu.
Setelah anamnesis dan pemeriksaan fisik, dokter biasanya akan membuat diagnosis sementara. Ini adalah langkah pertama dalam penemuan diagnosis. Setelah diagnosis sementara, dokter akan meminta pasien untuk menjalani tes laboratorium, pemeriksaan radiologi, elektrokardiografi, atau tes lainnya untuk mengonfirmasi diagnosis. Fase pembuatan diagnosis sementara ini sangat penting untuk memilih tes laboratorium yang tepat guna mengonfirmasi diagnosis, yang memerlukan langkah hati-hati dalam pengambilan keputusan [9].
b. Potensi penggunaan Machine Learning dalam memperkuat pembuatan keputusan diagnosis dokter umum
Salah satu algoritma pengambilan keputusan yang penting di dunia ilmu komputer adalah Machine Learning (ML). Machine Learning adalah bagian dari Artificial Intelligence (AI) yang diterapkan untuk memungkinkan sistem belajar secara otomatis dan meningkatkan pengalaman tanpa perlu diprogram lebih lanjut [10]. Secara umum, kita mengenal 3 jenis ML, yaitu Supervised Learning, Unsupervised Learning, dan Reinforcement Learning.
Supervised Learning adalah jenis machine learning di mana model machine learning perlu mengajarkan atau melatih mesin menggunakan data yang sudah dilabeli dengan jawaban benar atau salah [10]. Beberapa metode yang paling sering digunakan dalam supervised learning adalah Support Vector Machines, linear regression, logistic regression, Naïve Bayes, linear discriminant analysis, decision trees, K-Nearest Neighbor, neural networks, dan similarity training. Logika matematis di balik supervised machine learning adalah kita diberikan seperangkat N contoh pelatihan dalam bentuk {(x_1, y_1), …, (x_N, y_N)} di mana x adalah vektor fitur dari contoh ke-i dan y_i adalah label, sebuah algoritma pembelajaran akan mencari fungsi g di dalam ruang input A dan ruang output B, dengan g:A→B. Fungsi g adalah elemen dari ruang fungsi yang mungkin G yang biasanya disebut sebagai ruang hipotesis. Fungsi g kemudian mengembalikan nilai y dan memberikan skor tertinggi g(x)=argmax f(x, y) [11].
Unsupervised machine learning adalah jenis machine learning di mana algoritma belajar pola hanya dari data yang tidak diberi label. Unsupervised machine learning membagi aspek data, pelatihan, algoritma, dan aplikasi lanjutan. Dataset dikumpulkan menggunakan korpus teks besar melalui web crawling dengan sedikit penyaringan. Algoritma yang dirancang untuk unsupervised learning adalah K-Means, pengurangan dimensi seperti Principal Component Analysis (PCA), autoencoders, dan Boltzmann machine learning [12]. Dalam model matematis, unsupervised machine learning sering melibatkan teknik clustering atau pengurangan dimensi seperti yang ada di K-Means.
Reinforcement learning adalah jenis machine learning yang melatih algoritma dengan cara trial and error. Reinforcement learning berinteraksi dengan lingkungannya dan mengamati konsekuensi dari tindakannya sebagai respons terhadap hadiah dan hukuman yang diterimanya. Informasi yang dihasilkan dari setiap interaksi dengan lingkungan digunakan oleh reinforcement learning untuk memperbarui pengetahuannya [13]. Reinforcement learning pada tingkat dasar dimodelkan sebagai proses keputusan Markov di mana terdapat seperangkat keadaan lingkungan dan agen (ruang keadaan) S, seperangkat aksi yang disebut ruang aksi atau A, probabilitas transisi pada waktu t dari keadaan S ke keadaan S’ di bawah aksi A P_a (s, s’) = Pr(S_(t+1) = S’ | S_t = s, A_t = a), dan hadiah langsung setelah transisi R_a (s, s’) [14].
Untuk membuat model machine learning, seorang insinyur perlu memahami bahasa pemrograman. Bahasa yang paling banyak digunakan untuk machine learning adalah Python. Beberapa pustaka yang mendukung machine learning di Python antara lain TensorFlow, PyTorch, dan Keras untuk deep learning, Scikit-learn untuk algoritma machine learning, NumPy dan Pandas untuk data science, serta Natural Language Toolkit untuk bahasa. Bahasa lain yang digunakan adalah C++, sebuah versi berorientasi objek dari C. C adalah bahasa tingkat rendah di mana kode sangat dekat dengan bahasa mesin, dan ini membuat pengembang harus menginvestasikan usaha besar untuk menulis dan memelihara kode di C++. Pustaka yang digunakan di C++ antara lain Caffe untuk deep learning, DyNet untuk neural networks, dan Shogun untuk machine learning umum. Terakhir, sebuah bahasa pemrograman tingkat tinggi baru bernama Julia juga dapat digunakan untuk machine learning. Julia menggabungkan kemudahan pembelajaran dengan performa yang sangat baik berkat kompilasi just-in-time. Ekosistem Julia menawarkan banyak pustaka dan kerangka kerja untuk machine learning, seperti Flux.jl untuk machine learning, JuliaStats untuk pemodelan statistik dan analitik data, dan DifferentialEquations.jl untuk matematika tingkat lanjut.
c. Aplikasi Supervised Learning dalam dunia medis
Untuk membuat machine learning yang diawasi (supervised machine learning), kita perlu mengajarkan dan melatih mesin menggunakan data yang diberi label dengan jawaban yang benar. Untuk membuat supervised learning, kita memerlukan dataset yang dapat digunakan oleh mesin untuk pelatihan data. Tujuan dari membuat supervised learning adalah untuk memprediksi hasil untuk data baru yang belum pernah dilihat sebelumnya berdasarkan pola yang telah dipelajari. Tugas umum yang termasuk dalam supervised learning adalah klasifikasi dan regresi. Dataset mentah untuk supervised learning perlu dinormalisasi agar mesin dapat memahaminya, sehingga data besar yang tidak terstruktur perlu diproses terlebih dahulu. Dunia medis memiliki banyak data semacam itu yang biasanya disimpan dalam catatan medis. Di dalamnya terdapat data penting yang dapat digunakan untuk membuat model machine learning, seperti berat badan, tinggi badan, suhu tubuh, tes laboratorium, dan pengobatan pasien yang akan berhubungan dengan hasil seperti prognosis atau diagnosis (sementara, diferensial, dan final). Poin kunci agar dataset bekerja adalah kita perlu memberi label pada data yang mengarah pada diagnosis yang benar.
Supervised Machine Learning dapat digunakan untuk memprediksi hasil penyakit. Salah satu contohnya adalah penggunaan untuk memprediksi penyakit jantung. Penelitian dari Mohammed Ahmed menunjukkan bahwa dataset seperti usia, jenis nyeri dada, tekanan darah, tingkat gula darah, ECG saat istirahat, detak jantung, dan empat jenis nyeri dada dapat digunakan [15]. Contoh lainnya adalah memprediksi diabetes dengan mengukur konsentrasi glukosa, BMI, dan tingkat insulin. Peneliti mengatakan bahwa menggunakan model tradisional seperti Decision Trees, Random Forest, KNN, dan XGBoost bisa digunakan, namun akan membutuhkan lebih banyak metrik kinerja agar dapat bekerja dengan baik [16]. Terakhir, machine learning juga dapat digunakan untuk memprediksi sepsis. Penelitian dari 2023 menunjukkan bahwa model yang diawasi dapat digunakan untuk memprediksi hasil infeksi sepsis. Dengan menggunakan parameter seperti jenis kelamin, usia (tahun), gula darah, asam laktat, WBC, peritonitis bakterial spontan, suhu tubuh, laju pernapasan, saturasi oksigen, dan waktu, peneliti memasukkan data tersebut ke dalam algoritma dan menguji seberapa baik algoritma dalam memprediksi sepsis. Algoritma menunjukkan bahwa Logistic regression menunjukkan akurasi maksimum sebesar 89,19%, dan Naive Bayes menawarkan tingkat akurasi terendah, yaitu 77,27%. Recall, precision, dan F-measure dari algoritma mencapai lebih dari 80%. Algoritma SMO, IKB, dan JRip menunjukkan persentase ROC lebih dari 50%, sementara Naive Bayes dan Logistic regression mencapai lebih dari 69% [17].
Metode prediksi seperti K-Nearest Neighbor, Naïve Bayes, dan Logistic regression akan memainkan peran penting dalam supervised machine learning, karena seiring data baru masuk, algoritma ini dapat menyesuaikan dengan situasi baru dan mengikuti kondisi terkini. Gambar 1 menunjukkan contoh dataset yang dapat digunakan untuk menentukan K-Nearest Neighbor di mana data “terdekat” dari dataset terhubung dan dapat memberikan hasil yang berarti, apakah itu “positif” atau “negatif”. Untuk dokter umum, kita bisa menggunakan algoritma-algoritma ini untuk penyakit yang memiliki banyak data seperti menentukan apakah itu infeksi COVID-19 atau flu, demam berdarah atau tifus, dan apakah kita harus merujuk pasien dengan penyakit metabolik ke spesialis medis.
d. Aplikasi Unsupervised Learning di Dunia Medis
Untuk membuat machine learning yang tidak diawasi (Unsupervised machine learning), dataset yang kita siapkan untuk mesin harus tidak diberi label, tidak ada kategori atau hasil yang telah ditentukan sebelumnya. Kemudian mesin akan menemukan pola dan struktur dalam data itu sendiri. Tujuan dari membuat unsupervised machine learning adalah untuk mengeksplorasi struktur data. Tugas yang diberikan kepada mesin termasuk klasterisasi (mengelompokkan item yang sama), dan pengurangan dimensi (mengurangi jumlah fitur tetapi tetap mempertahankan informasi penting) [18]. Sementara itu, untuk evaluasi kita dapat menggunakan silhouette score dan Davies-Bouldin index untuk klasterisasi, atau inspeksi visual untuk pengurangan dimensi. Algoritma yang umum digunakan termasuk K-Means clustering, hierarchical clustering, DBSCAN, PCA, dan t-SNE.
Unsupervised Learning dapat digunakan untuk mempelajari pola penyakit, seperti identifikasi anomali pada sinyal ECG, melalui unsupervised machine learning. Untuk mendeteksi anomali pada ECG, penelitian dari 2023 menggunakan autoencoders, recurrent neural networks, dan long short-term memory. Dengan akurasi 99%, F1-score 99%, AUC score 99%, recall 98,1%, dan precision 100%, model ini mampu mengidentifikasi anomali. Model ini memperoleh akurasi 89,5%, F1 score 92,3%, AUC score 93%, recall 98,2%, dan precision 87,1% pada dataset MIT-BIH Arrhythmia [19]. Aplikasi lain dari unsupervised machine learning adalah untuk estimasi interval referensi untuk penyakit ginjal kronis. Penelitian ini dilakukan di Puerto Rico. Dengan menggunakan lokasi geografis, kreatinin, urea, dan albumin. Penelitian ini menggunakan model Gaussian Mixture dan model Bayesian Gaussian Mixture yang mengikuti rumus p(x) = ∑_(k=1)^N〖a_k N_k (x|μ_k,∑〖k)〗〗, model ini menunjukkan bahwa hasil kreatinin berada pada kisaran 98% (abnormal) dan hasil urea berada pada kisaran 75% (normal). Persentil dari pengukuran keduanya bersama-sama berada pada kisaran 79% [20].
Dalam perawatan primer, unsupervised machine learning dapat digunakan untuk stratifikasi risiko (risiko tinggi atau rendah), mengidentifikasi pola dalam data pasien, optimalisasi rujukan, identifikasi respons pengobatan, dan untuk perawatan preventif, terutama dalam mengidentifikasi populasi yang berisiko, membimbing strategi perawatan preventif, dan pertemuan.
e. Aplikasi Reinforcement Learning dalam Dunia Medis
Untuk membuat reinforcement machine learning, kita memerlukan jenis data yang terutama berasal dari interaksi antara agen dan lingkungannya. Data yang cocok untuk reinforcement learning adalah data keadaan (state) yang menggambarkan kondisi saat ini, data tindakan (action) yang diambil oleh agen, data umpan balik (reward), data keadaan berikutnya (next state) yang menggambarkan keadaan lingkungan setelah agen mengambil tindakan, data episode untuk tugas episodik, dan data transisi yang berisi informasi tentang pasangan state-action dan state serta reward yang dihasilkan [21]. Dengan cara ini, diharapkan mesin akan terus berlatih dengan lingkungan, mengumpulkan pengalaman, memperbarui kebijakannya, dan mengevaluasi kinerjanya.
Reinforcement machine learning umumnya digunakan untuk pengambilan keputusan tingkat lanjut. Sebuah studi yang diterbitkan pada 2022 menunjukkan penggunaan deep reinforcement learning untuk rekomendasi perawatan yang dipersonalisasi. Tujuan utama dalam pengobatan presisi adalah merekomendasikan tindakan terbaik untuk pasien tunggal berdasarkan profil klinis dan molekuler spesifik pasien, yang mungkin memiliki dimensi tinggi. Studi ini menggunakan sistem peringkat personalisasi baru yang disebut Proximal Policy Optimization Ranking (PPORank), yang memberi peringkat obat berdasarkan efek yang diprediksi untuk setiap garis sel (atau pasien) dalam kerangka deep reinforcement learning (DRL). Metode yang diusulkan ini belajar untuk merekomendasikan obat yang paling sesuai secara berkelanjutan dan berurutan seiring waktu. Hasilnya menunjukkan bahwa PPORank berbasis DRL yang diusulkan menunjukkan kinerja yang lebih baik dibandingkan dengan pesaing berbasis supervised learning [22]. Terapi radiasi juga memanfaatkan reinforcement learning. Menurut penelitian dari 2024, ada tiga kategori utama yang dapat dimasukkan ke dalam penggunaan deep reinforcement learning untuk perbaikan rencana terapi radiasi: radioterapi adaptif, mengoptimalkan langsung parameter mesin, dan meningkatkan parameter perencanaan pengobatan. Deep reinforcement learning telah digunakan untuk mengobati kanker paru-paru, vestibular schwannoma, kanker prostat, dan kanker serviks dari sudut pandang lokasi penyakit. Namun, ada beberapa alasan utama — ketidakefisienan, kurangnya teknik penilaian kualitas, dan interpretabilitas yang buruk — yang masih menjadi kesenjangan signifikan sebelum dapat digunakan secara luas di pengaturan klinis [23].
Untuk dokter perawatan primer, ada potensi bahwa reinforcement machine learning dapat digunakan untuk optimasi telemedicine. Dengan meningkatnya telemedicine, reinforcement machine learning dapat membantu mengoptimalkan protokol kunjungan virtual. Mesin akan menyesuaikan rekomendasi berdasarkan interaksi pasien dan hasilnya untuk meningkatkan pengiriman perawatan.
f. Model yang disarankan dalam pembuatan machine learning dalam pelayanan dokter umum
Dokter Umum memegang peran yang sangat penting dalam layanan kesehatan secara keseluruhan. Dokter umum bekerja di garis depan untuk menyaring pasien. Dokter umum dapat merawat pasien di klinik, pusat kesehatan masyarakat, atau rumah sakit dan menentukan diagnosis. Dengan membuat diagnosis yang tepat, pasien dapat dirujuk ke spesialis atau dirawat di tingkat pertama tanpa perlu rujukan.
Algoritma yang paling cocok untuk prediksi diagnosis adalah random forest untuk menangani campuran data numerik dan kategorikal, Support Vector Machine yang efektif di ruang berdimensi tinggi, serta Neural Networks yang berguna untuk hubungan kompleks dalam dataset besar. Metode paling sederhana yang dapat kita gunakan untuk prediksi diagnosis adalah decision tree, di mana mesin akan membuat struktur seperti diagram alir untuk memodelkan pengambilan keputusan yang didasarkan pada gejala dan riwayat pasien, atau KNN untuk mengklasifikasikan pasien berdasarkan gejala yang dilaporkan dengan membandingkannya dengan kasus historis [24].
Sebagai contoh, berikut adalah grafik yang menunjukkan kemungkinan seseorang terkena batu ginjal dengan membandingkan tingkat neutrofil, tingkat limfosit, dan usia. Data tersebut diimpor ke dalam Python dan dipetakan menggunakan MatPlotLib.
Dari grafik tersebut, kita dapat menggunakan Algoritma K-Nearest Neighbor. Metode ini menggunakan pembagian data latih dan uji, dan hasil akurasinya adalah 100%. Dengan menggunakan model ini, kita dapat memprediksi apakah seseorang terkena batu saluran kemih. Namun, masih diperlukan lebih banyak data agar model ini dapat memprediksi diagnosis dengan lebih akurat, karena data yang digunakan dalam contoh untuk algoritma K-Nearest Neighbor dalam mengukur batu saluran kemih masih menggunakan 10 data.
KESIMPULAN DAN SARAN
Penggunaan machine learning dalam perawatan kesehatan, terutama untuk prediksi diagnosis, adalah sebuah batasan baru di dunia medis. Penggunaan Supervised Machine Learning untuk memprediksi penyakit jantung, memprediksi diabetes, memprediksi sepsis dengan menggunakan K-Nearest Neighbor, Naïve Bayesian, dan regresi logistik, sementara machine learning Unsupervised dapat digunakan untuk membuat mesin mempelajari pola penyakit seperti deteksi anomali dalam sinyal ECG, estimasi interval referensi untuk penyakit ginjal kronis dengan menggunakan K-Means clustering, hierarchical clustering, DBSCAN, PCA, t-SNE, dan algoritma Gaussian mixture model, dan terakhir, reinforcement learning dalam perawatan kesehatan adalah penerapan model keputusan Markov untuk merekomendasikan obat yang paling cocok. Model prediksi untuk machine learning juga dapat digunakan untuk prediksi diagnosis dalam perawatan primer. K-Nearest Neighbor dan Decision tree disarankan untuk membuat prediksi diagnosis untuk perawatan primer.
Namun, perlu diingat bahwa algoritma machine learning tidak akan pernah mengubah pentingnya peran dokter perawatan primer. Dokter perawatan primer adalah pengambil keputusan akhir untuk membuat diagnosis dan memberikan perawatan yang sesuai bagi pasien. Peran machine learning adalah untuk membantu dokter perawatan primer dalam mempertajam akurasi mereka dalam prediksi diagnosis.
Berdasarkan temuan dari penelitian ini, jelas bahwa integrasi algoritma machine learning dalam perawatan kesehatan, khususnya di pengaturan perawatan primer, memiliki potensi yang signifikan untuk meningkatkan akurasi diagnosis dan memprediksi hasil penyakit. Penggunaan algoritma Supervised Machine Learning, seperti K-Nearest Neighbor dan Decision Trees, dapat membantu dokter dalam mendiagnosis kondisi seperti penyakit jantung, diabetes, dan sepsis. Selain itu, Unsupervised Learning dapat dimanfaatkan untuk deteksi anomali dalam data medis, dan Reinforcement Learning dapat membantu dalam rekomendasi obat dan rencana perawatan yang dipersonalisasi. Namun, penting untuk menekankan bahwa machine learning harus melengkapi, bukan menggantikan, keahlian dokter perawatan primer. Meskipun teknologi ini memberikan wawasan yang berharga, proses pengambilan keputusan akhir mengenai diagnosis dan perawatan harus tetap berada pada tangan dokter, karena pengalaman klinis dan penilaian mereka sangat diperlukan untuk perawatan pasien yang optimal. Penelitian lebih lanjut dan pengumpulan data yang lebih banyak diperlukan untuk menyempurnakan model-model ini dan memastikan penerapannya dalam pengaturan medis dunia nyata.
DAFTAR PUSTAKA
1. Sunarya, A., Santoso, S., & Sentanu, W. (2015). Sistem Pakar Untuk Mendiagnosa Gangguan Jaringan Lan. CCIT Journal, 8(2), 1–11
2. Rahardja, U., Roihan, A., & others. (2017). Design of Business Intelligence in Learning Systems Using iLearning Media. Universal Journal of Management, 5(5), 227–235.
3. Russell, S. J., & Norvig, P. (2016). Artificial intelligence: a modern approach. Malaysia; Pearson Education Limited,.
4. Goldberg, D. E., & Holland, J. H. (1988). Genetic algorithms and machine learning. Machine Learning, 3(2), 95–99
5. Huang, G.-B., Zhu, Q.-Y., & Siew, C.-K. (2006). Extreme learning machine: theory and applications. Neurocomputing, 70(1–3),489–501.
6. Ghosh, Durga & Karunaratne, Premalatha. (2015). The importance of good history taking: A case report. Journal of medical case reports. 9. 97. 10.1186/s13256–015–0559-y.
7. Capros, Natalia et al. (2019). Differential Diagnosis in Internal Medicine.Nicole Testemitanu tate university of Medicine and Pharmacy of the republic of Moldova. ISBN 978–9975–56–705–3.
8. Setyawan, Febri. (2018). Komunikasi Medis: Hubungan Dokter-Pasien. MAGNA MEDICA: Berkala Ilmiah Kedokteran dan Kesehatan. 1. 51. 10.26714/magnamed.1.4.2017.51–57.
9. Sibuea, Herdin and M. Frenkel (2015). Pedoman dasar anamnesis dan pemeriksaan jasmani. CV Sagung Seto: Jakarta
10. Alam, Azmir. (2023). What is Machine Learning? 10.5281/zenodo.8231580.
11. Mohri, Mehryar et al (2012) Foundations of Machine Learning, The MIT Press ISBN 9780262018258.
12. Naeem, Samreen et al. (2023). An Unsupervised Machine Learning Algorithms: Comprehensive Review. IJCDS Journal. 13. 911–921. 10.12785/ijcds/130172.
13. K. Arulkumaran et al. (2017). “Deep reinforcement learning: A brief survey,” IEEE Signal Process. Mag., vol. 34, no. 5
14. Russell, Stuart J.; Norvig, Peter (2010). Artificial intelligence: a modern approach (Third ed.). Upper Saddle River, New Jersey. pp. 830, 831
15. Ahmed, Mohammed and Idress Husien (2024). Heart Disease Prediction Using Hybrid Machine Learning: A Brief Review. Journal of Robotics and Control (JRC)Volume 5, Issue 3, 2024ISSN: 2715–5072,DOI: 10.18196/jrc.v5i3.21606
16. Airlangga, Gregorius (2024). Comparative Analysis of Machine Learning Models for Predicting Diabetes: Unveiling the Superiority of Advanced Ensemble Methods Jurnal Tekonolgi terapan Vol. 8 №2 (2024): G-Tech, Vol. 8 №2 April 2024 https://doi.org/10.33379/gtech.v8i2.4246
17. Alanazi A et al (2023). Machine Learning for Early Prediction of Sepsis in Intensive Care Unit (ICU) Patients. Medicina (Kaunas). 2023 Jul 9;59(7):1276. doi: 10.3390/medicina59071276. PMID: 37512087; PMCID: PMC10385427.
18. Mathivanan, Norsyela et al. (2019). A comparative study on dimensionality reduction between principal component analysis and k-means clustering. Indonesian Journal of Electrical Engineering and Computer Science. 16. 752. 10.11591/ijeecs.v16.i2.pp752–758.
19. Alamr, Abrar and Abedelmonim Artoli (2023) Unsupervised Transformer-Based Anomaly Detection in ECG Signals. Algorithms 2023, 16(3), 152; https://doi.org/10.3390/a16030152
20. Velev, J., LeBien, J. & Roche-Lima, A. (2023) Unsupervised machine learning method for indirect estimation of reference intervals for chronic kidney disease in the Puerto Rican population. Sci Rep 13, 17198 (2023). https://doi.org/10.1038/s41598-023-43830-3
21. Ono, Masaki and Ryutaro Ichise. (2024) Model Based Reinforcement Learning Pre-Trained with Various State Data. 2024 IEEE Conference on Artificial Intelligence (CAI)
22. Liu M, Shen X, Pan W. (2022) Deep reinforcement learning for personalized treatment recommendation. Stat Med. 2022 Sep 10;41(20):4034–4056. doi: 10.1002/sim.9491. Epub 2022 Jun 18. PMID: 35716038; PMCID: PMC9427729.
23. Li C, et al (2024). Deep reinforcement learning in radiation therapy planning optimization: A comprehensive review. Phys Med. 2024 Sep;125:104498. doi: 10.1016/j.ejmp.2024.104498. Epub 2024 Aug 19. PMID: 39163802.
24. Abdulqader, Hozan Akram and Adnan M. Abdulazeez.(2024). A review on Decision Tree Algorithm in Healthcare Application. DOI: https://doi.org/10.33022/ijcs.v13i3.4026
