AI Berpotensi Menjadi Alat Pendukung Diagnosis Medis yang Berharga

Alat Baru untuk Diagnosis Lama

Banyak diagnosis medis melibatkan pemeriksaan visual pasien. Pada otitis media akut, penilaian gendang telinga yang tepat memerlukan pelatihan dan pengalaman klinis.

Pengalaman tenaga kesehatan berperan penting: penelitian sebelumnya melaporkan akurasi diagnosis otitis media akut (AOM) antara 30% dan 84%, bergantung pada jenis tenaga kesehatan, tingkat pelatihan, dan usia anak.

AOM dapat tertukar dengan otitis media dengan efusi (OME), yaitu cairan di belakang gendang telinga tanpa gambaran infeksi akut yang sama. OME umumnya tidak mendapat manfaat dari antibiotik. Kekeliruan membedakan keduanya dapat menyebabkan diagnosis berlebihan maupun terlewatnya infeksi yang sebenarnya.

Peneliti mengembangkan alat pendukung diagnosis yang memanfaatkan visi komputer dan video dari otoskop yang terhubung ke kamera ponsel. Tujuannya meningkatkan penilaian klinis dan mengurangi penggunaan antibiotik yang tidak perlu, salah satu faktor penyebab resistansi antimikroba.

Hoberman menjelaskan bahwa diagnosis yang terlewat dapat menyebabkan perawatan tidak memadai, sedangkan diagnosis berlebihan dapat memicu pemberian antibiotik yang tidak perlu. Alat ini dirancang untuk membantu membedakan kondisi tersebut.

Alejandro Hoberman, profesor pediatri dan direktur Divisi Pediatri Akademik Umum di Fakultas Kedokteran University of Pittsburgh.

Sumber: UPMC

Infeksi telinga merupakan masalah umum pada anak. Dalam pengumuman penelitian, Hoberman menyebut sekitar 70% anak pernah mengalami infeksi telinga sebelum ulang tahun pertamanya.

Dukungan Diagnosis dengan AI

Hoberman bekerja sama dengan peneliti dari Tandon School of Engineering di New York, Bosch Center for Artificial Intelligence di Pittsburgh, dan Dcipher Analytics di Stockholm.

Temuan mereka diterbitkan di JAMA Pediatrics dengan judul «Pengembangan dan Validasi Pengklasifikasi Otomatis untuk Mendiagnosis Otitis Media Akut pada Anak».

Alat ini menganalisis video singkat gendang telinga yang direkam menggunakan otoskop terhubung ke kamera ponsel.

Peneliti mengembangkan dua model AI dengan 1.151 video membran timpani dari 635 anak. Para ahli memberi label diagnosis rujukan pada video untuk pelatihan dan evaluasi.

Sebanyak 921 video digunakan untuk pelatihan dan 230 video untuk pengujian.

Ciri yang dinilai meliputi bentuk, warna, posisi, dan transparansi gendang telinga.

Sumber: UPMC

Hasil Penelitian yang Menjanjikan

Model DR-RNN mencapai sensitivitas 93,8% dan spesifisitas 93,5%. Model DT mencapai masing-masing 93,7% dan 93,3%. Sensitivitas mengukur pengenalan kasus yang benar-benar memiliki kondisi tersebut, sedangkan spesifisitas mengukur pengenalan kasus yang tidak memilikinya. Kesalahan tidak sepenuhnya hilang.

Hasilnya menjanjikan dibandingkan laporan akurasi klinis terdahulu. Namun, penelitian ini tidak membuktikan bahwa alat tersebut mengungguli setiap dokter dalam semua kondisi. Evaluasi lebih luas pada populasi dan penggunaan klinis berbeda tetap diperlukan.

Video dapat disimpan dalam rekam medis dan digunakan untuk menjelaskan penilaian kepada orang tua. Materi tersebut juga dapat membantu pendidikan mahasiswa dan dokter peserta pelatihan, dengan persetujuan dan perlindungan data yang sesuai.

Alat pendukung ini mungkin membantu dokter layanan primer mengurangi pemberian antibiotik yang tidak perlu. Keputusan terapi tetap memerlukan penilaian klinis.

Penggunaan ponsel dan otoskop dapat memudahkan penerapan, tetapi penggunaan nyata tetap membutuhkan validasi, peralatan yang sesuai, pelatihan, dan persetujuan yang diwajibkan.

Perusahaan AI dalam Pencitraan Medis

AI medis berhadapan dengan data yang kompleks dan beragam. Kualitas data, keterwakilan populasi, dan perbedaan perangkat memengaruhi keandalan model.

Jaringan saraf telah meningkatkan kemampuan analisis gambar. Keberhasilan di satu bidang tidak otomatis membuktikan keunggulan dalam aplikasi medis lainnya.

Penilaian CT, MRI, atau gambar gendang telinga membutuhkan keahlian klinis khusus. AI dapat membantu tugas deteksi dan pengukuran tertentu, tetapi bukan bukti umum bahwa mesin selalu lebih baik daripada tenaga kesehatan.

Perusahaan besar mengintegrasikan AI ke sistem pencitraan, antara lain GE Healthcare, Siemens Healthineers, Canon Medical, dan Philips. Karena memiliki kegiatan yang luas, perusahaan-perusahaan ini bukan investasi yang hanya berfokus pada AI diagnostik.

Perusahaan yang lebih terspesialisasi, seperti PathAI dan Viz.AI, merupakan perusahaan swasta yang sahamnya tidak diperdagangkan secara publik. Berikut contoh perusahaan tercatat yang berkaitan dengan pencitraan medis.

1. Butterfly Network

Butterfly Network mengembangkan perangkat ultrasonografi portabel serta perangkat lunak untuk mengelola pemeriksaan, data, dan alur kerja. Salah satu produknya adalah «Compass». Produk ini berbeda dari alat diagnosis otitis dalam penelitian di atas.

Sumber: Butterfly Network

Pada 2024 perusahaan memperkenalkan generasi ke-³ dari probe ultrasonografinya melalui peluncuran iQ3 di Amerika Serikat. Menurut perusahaan, laju transfer data dan daya pemrosesannya dua kali versi sebelumnya. Teknologi ultrasonografi berbasis semikonduktor digunakan sebagai pengganti elemen piezoelektrik konvensional.

Fitur yang dipromosikan untuk iQ3 mencakup alat pencitraan beberapa bidang dan kemampuan tiga dimensi, serta integrasi perangkat lunak dan layanan cloud.

Perusahaan menggunakan alat otomatis untuk mendukung pencitraan, pengukuran tertentu, dan pelatihan pengguna. Setiap fitur memiliki batas penggunaan sendiri dan tidak setara dengan diagnosis umum yang sepenuhnya mandiri.

Sumber: Butterfly Network

Butterfly telah memperluas kegiatan komersial ke pasar Asia, termasuk Singapura, Indonesia, dan Filipina, serta aplikasi veteriner. Portabilitas perangkat dapat membantu pemeriksaan hewan di luar lingkungan rumah sakit.

2. Enlitic (ENL.AX)

Enlitic mengembangkan teknologi AI untuk pengelolaan dan standardisasi data pencitraan medis. Alatnya membuat deskripsi yang konsisten dan mengatur metadata gambar, melengkapi standar seperti DICOM dan HL7. Fungsi ini berbeda dari diagnosis otomatis suatu penyakit.

Teknologinya menggunakan visi komputer dan pemrosesan bahasa alami untuk mengenali informasi seperti bagian tubuh, orientasi, penggunaan kontras, dan ketebalan irisan pada CT, MRI, serta radiografi.

Sumber: Enlitic

Pelabelan yang konsisten dapat meningkatkan interoperabilitas, pengalihan pemeriksaan, dan penggunaan data untuk penelitian atau otomatisasi. Kualitas dan ketepatan data tetap penting.

Data yang distandardisasi dan dideidentifikasi secara tepat dapat mendukung penelitian serta pelatihan model. Penggunaan atau komersialisasinya memerlukan dasar hukum, izin, dan perlindungan pasien yang sesuai.