Ilustrasi futuristik hati, menyarankan penggunaan kecerdasan buatan untuk meningkatkan kesehatan hati. Kredit: Jihad Obeid, Universitas Kedokteran Carolina Selatan
Ada kekuatan dan nilai dalam diri seorang detektif yang sangat terampil. Sherlock Holmes dan sahabat karibnya, Watson, terkenal karena menyaring sejumlah besar data—mengidentifikasi pola dan membuat prediksi untuk mengungkap misteri dengan mudah. Dalam dunia medis, dokter adalah detektif, membuat diagnosa dan menarik kesimpulan berdasarkan penilaian klinis mereka dan data pasien yang tersedia. Tapi seperti detektif, dokter bisa mendapatkan keuntungan dari memiliki sidekick.
Dalam sebuah studi baru-baru ini di Medical University of South Carolina (MUSC), Don Rockey, MD, direktur Pusat Penelitian Penyakit Pencernaan, dan Jihad Obeid, MD, seorang profesor di Informatika Biomedis, berkumpul untuk memanfaatkan kecerdasan buatan ( AI) pendekatan untuk mengotomatisasi identifikasi sirosis hati menggunakan sejumlah besar data dari catatan kesehatan elektronik (EHRs).
Mereka melaporkan dalam Journal of Clinical Gastroenterology bahwa model convolutional neural network (CNN) terlatih mereka, sejenis AI yang dikenal sebagai pembelajaran mendalam, berhasil mengidentifikasi pasien sirosis dengan presisi 97% berdasarkan teks klinis dalam ringkasan pemulangan pasien saja.
Kasus
Sirosis, atau jaringan parut permanen pada hati, adalah kejadian umum terakhir pada pasien dengan penyakit hati kronis dan menduduki peringkat ke-9 penyebab kematian pada tahun 2021 oleh Pusat Pengendalian dan Pencegahan Penyakit. Komplikasi ini dapat berasal dari berbagai bentuk kerusakan dan penyakit hati. Secara historis, sulit untuk memprediksi pasien mana yang akan berkembang menjadi sirosis.
“Kami tidak tahu siapa yang berisiko mengembangkan komplikasi penyakit hati yang parah, dan identifikasi pasien dengan sirosis sangat penting karena kami berupaya mengurangi morbiditas dan mortalitas akibat penyakit hati,” kata Rockey.
Meskipun tidak ada obat untuk sirosis, mendiagnosisnya lebih awal akan membantu memastikan penatalaksanaan penyakit yang terbaik.
“Jika kita dapat mengidentifikasi seorang pasien yang diprediksi memiliki sirosis satu atau dua tahun sebelumnya, itu akan memberi dokter waktu untuk merawat dan mencegah jaringan parut menumpuk di hati tetapi juga untuk mencegah komplikasi sirosis,” jelas Rockey.
Sahabat karib
Seperti pendamping yang baik, sistem AI dapat mengumpulkan dan menganalisis informasi dalam jumlah besar. Untuk aplikasi medis, seringkali informasi tersebut diambil dari EHR, yang menampung riwayat kesehatan pasien. Komputer telah lama mampu “membaca” data yang dimasukkan ke dalam bidang data atau formulir di EHR.
Namun, komputer lebih sulit mengakses informasi yang terkandung dalam teks naratif, seperti yang ditemukan dalam catatan dokter atau ringkasan pelepasan. Upaya sebelumnya untuk membaca teks naratif ini pada dasarnya mengandalkan pencarian kata kunci, di mana kata kunci harus disediakan oleh seorang dokter yang akrab dengan penyakit ini, menggunakan beberapa putaran trial and error.
Dalam studi ini, para peneliti menguji apa yang bisa menjadi pendamping yang lebih cakap — suatu bentuk AI berbasis pembelajaran mendalam yang tidak memerlukan petunjuk seperti itu.
“Yang menyenangkan dari penggunaan model deep learning adalah model belajar dari contoh yang Anda berikan, tanpa melatihnya untuk mencari kata-kata tertentu,” kata Obeid.
Para peneliti melatih model AI mereka — jaringan saraf konvolusional yang meniru neuron di otak — menggunakan rekam medis pasien yang didiagnosis menderita sirosis. Jaringan saraf menganalisis informasi yang disematkan dalam teks naratif.
“Jaringan saraf memberikan kekuatan lebih dari model AI statistik biasa karena masing-masing neuron buatan ini berperilaku seperti model sendiri, memungkinkan Anda menemukan cara yang lebih canggih untuk membedakan dan memprediksi sesuatu,” kata Obeid.
Seperti seorang seniman forensik yang menambahkan lapisan demi lapisan sifat untuk menyusun potret tersangka, model jaringan saraf Obeid dan Rockey menggunakan banyak lapisan neuron buatan untuk mengekstrak fitur dan pola yang membantu mengidentifikasi sirosis.
Potensi
Setelah dilatih tentang catatan pasien dengan sirosis yang diketahui yang dibuat dengan tinjauan bagan manual, model Obeid dan Rockey sangat berhasil dalam mengidentifikasi pasien dengan sirosis dalam kumpulan catatan kesehatan baru hanya berdasarkan teks naratif dalam catatan dokter.
“Saya pikir sangat menarik karena berhasil mengidentifikasi sirosis hanya dengan menggunakan teks dalam ringkasan pelepasan, seperti gagasan untuk membawanya ke tingkat berikutnya untuk melihat apakah kita dapat menerapkannya untuk identifikasi sebelumnya,” kata Obeid.
AI dan pembelajaran mesin memiliki potensi untuk merevolusi bidang medis, kata Obeid, tetapi penting untuk ditekankan bahwa jenis model ini dimaksudkan bukan untuk menggantikan tetapi untuk menginformasikan penilaian klinis. Dokter akan menyelesaikan kasusnya, tetapi AI bisa menjadi pendamping yang kuat dalam membantu mereka melakukannya.
“Komputer ada untuk membantu dokter, bukan untuk menggantikan atau membuat keputusan,” katanya. “Pada akhirnya, dokterlah yang bertanggung jawab, bukan komputer.”
Yang mengatakan, Rockey sangat senang tentang bagaimana pendamping AI ini dapat memajukan pengobatan dan, khususnya, pengelolaan penyakit hati ke depan.
“Saya pikir AI akan digunakan untuk memprediksi seberapa parah penyakit ini, dikombinasikan dengan data genetika dan pencitraan,” kata Rockey. “Saya tidak tahu berapa lama waktu yang dibutuhkan untuk mengetahuinya, tetapi saya tidak dapat membayangkan bahwa itu tidak akan terjadi.”
Informasi lebih lanjut: Jihad S. Obeid dkk, Pendekatan AI untuk Mengidentifikasi Pasien Dengan Sirosis, Jurnal Gastroenterologi Klinis (2023). DOI: 10.1097/MCG.0000000000001586
Disediakan oleh Universitas Kedokteran Carolina Selatan
Kutipan: Memberikan pendamping AI kepada dokter untuk membantu mengidentifikasi sirosis (2023, 13 Maret) diambil 13 Maret 2023 dari https://medicalxpress.com/news/2023-03-clinicians-ai-sidekick-cirrhosis.html
Dokumen ini tunduk pada hak cipta. Terlepas dari kesepakatan yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.