Model Prediksi Berbasis AI Siap Meningkatkan Perawatan Kesehatan Secara Signifikan

Tujuan AI adalah memungkinkan mesin meniru pikiran dan perilaku manusia, mencakup pembelajaran, penalaran, dan prediksi. Di inti upaya ini adalah pemodelan berbasis AI, yang berfungsi sebagai dasar untuk menciptakan sistem otomatis dan cerdas.

Untuk membangun model tersebut, berbagai teknik digunakan, yang penting untuk menciptakan sistem cerdas yang dapat diterapkan di berbagai sektor dunia nyata, termasuk keuangan, perawatan kesehatan, pertanian, keamanan siber, dan lainnya.

Pengembangan model ini sering menggunakan berbagai jenis analitik—deskriptif, diagnostik, prediktif, dan preskriptif—berdasarkan sifat masalah dan kebutuhan solusinya.

Hari ini, fokus kami adalah pada analitik prediktif, yang mengeksplorasi data untuk memprediksi apa yang akan terjadi di masa depan. Dengan memanfaatkan sejumlah besar data, model menginterpretasikan pola yang dapat dikenali, yang memfasilitasi prediksi yang akurat dan membantu membuat keputusan yang tepat. 

Klik di sini untuk mempelajari semua tentang investasi dalam kecerdasan buatan.

Kemampuan Tak Tertandingi AI dalam Mengenali Tren

AI memiliki kemampuan tak tertandingi untuk mengenali tren dalam sekumpulan variabel. Hal ini karena, tidak seperti manusia, teknologi dapat memproses sejumlah besar data dengan cepat, kemudian mengidentifikasi pola dan tren serta memahami maknanya. 

Melalui algoritma pembelajaran mesin, model AI melakukan tugasnya, yaitu memprediksi output berdasarkan data yang diberikan.

Saat menganalisis tren, biasanya jaringan saraf yang terinspirasi dari fungsi otak manusia digunakan karena kemampuannya belajar dan beradaptasi. Algoritma pembelajaran mesin lain yang penting untuk analisis tren meliputi Support Vector Machines (SVM), yang mengkategorikan data ke dalam kelas yang berbeda, dan Random Forests, yang menggabungkan banyak pohon keputusan untuk model prediktif yang kuat. Bayesian network adalah contoh lain yang menggunakan model grafis probabilistik untuk merepresentasikan ketergantungan statistik di antara sekumpulan variabel. 

Dalam perawatan kesehatan, memanfaatkan algoritma pembelajaran mesin ini untuk membangun model prediksi berbasis AI memungkinkan perawatan dan rencana pengobatan yang lebih baik serta lebih disesuaikan secara individual.  

Untuk itu, AI menyaring berbagai data perawatan kesehatan untuk menampilkan tren yang muncul dalam perkembangan penyakit. Hal ini memungkinkan profesional medis secara proaktif menangani masalah kesehatan dan menyesuaikan strategi pengobatan, mengubah cara perawatan pasien.

Potensi Kemampuan AI dalam Mendeteksi Pola di Bidang Kesehatan

Sekarang, mari kita lihat penggunaan nyata kemampuan teknologi dalam mengenali tren di dalam sekumpulan variabel.

Alat Pengawasan AI untuk Mendeteksi Sepsis Sebelum Gejala Muncul

Dalam sebuah studi, peneliti menemukan bahwa mereka dapat berhasil memprediksi infeksi sepsis pada pasien berisiko tinggi dan menyelamatkan nyawa dengan memanfaatkan algoritma AI baru. 

Sepsis adalah penyebab utama kematian dan morbiditas di seluruh dunia. Pada kondisi ini, sistem kekebalan tubuh bereaksi secara berlebihan terhadap infeksi, menyebabkan kerusakan pada jaringan dan organnya sendiri.

Di AS, setiap tahun, setidaknya 1,7 juta orang dewasa mengembangkan sepsis, dan sekitar 350.000 meninggal karena infeksi darah yang mengancam jiwa ini. Sementara itu, diperkirakan 48,9 juta orang terdampak setiap tahun di seluruh dunia, dengan sekitar 11 juta di antaranya meninggal.

Namun, peneliti dari University of California San Diego School of Medicine siap mengubah angka-angka ini dengan memanfaatkan AI.

Menurut studi yang dipublikasikan dalam edisi daring Digital Medicine, peneliti mengembangkan algoritma AI bernama COMPOSER. Algoritma ini memanfaatkan data secara real-time untuk memberi tahu sebelumnya apakah pasien memiliki kondisi tersebut sebelum tanda klinisnya muncul, dengan bekerja “diam-diam dan aman di balik layar.” 

Model ini secara terus-menerus memantau setiap pasien untuk tanda-tanda sepsis, catat co-author studi Gabriel Wardi, MD, kepala Divisi Perawatan Kritis di Departemen Kedokteran Darurat UC San Diego (UCSD).

Pengidentifikasian sepsis secara dini sangat penting karena intervensi memberikan manfaat lebih besar ketika diterapkan lebih awal dalam perjalanan penyakit.

Model ini digunakan di unit gawat darurat UC San Diego Health, satu-satunya sistem medis akademik di wilayah tersebut, untuk mengidentifikasi pasien berisiko infeksi sepsis dan telah mengurangi mortalitas sebesar 17%. 

Cara kerjanya adalah setelah pasien mendaftar di unit gawat darurat, COMPOSER mulai memantau lebih dari 150 variabel pasien yang dapat terkait dengan sepsis. Variabel-variabel ini mencakup demografi, riwayat medis, tanda vital, dan hasil laboratorium. 

Jika seorang pasien ditemukan memiliki banyak variabel, yang menghasilkan risiko tinggi infeksi sepsis, algoritma memberi tahu staf perawat melalui catatan kesehatan elektronik rumah sakit. Staf kemudian meninjau bersama dokter untuk konfirmasi dan menentukan rencana perawatan yang tepat bagi pasien. 

“Algoritma AI canggih ini dapat mendeteksi pola yang tidak langsung terlihat oleh mata manusia.” 

– Shamim Nemati, Ph.D., Co-author studi & direktur analitik prediktif serta associate professor biomedis informatik di UC San Diego School of Medicine

Dia juga menambahkan:

“Sistem dapat melihat faktor risiko ini dan menghasilkan prediksi sepsis yang sangat akurat.”

Studi ini, yang didanai oleh National Institutes of Health, National Library of Medicine, dan Joan and Irwin Jacobs Center for Health Innovation di UC San Diego Health, meneliti lebih dari 6.200 penerimaan pasien sebelum dan sesudah algoritma AI diterapkan di unit gawat darurat rumah sakit. 

Ini adalah studi pertama yang menggunakan model deep-learning AI dan melaporkan perbaikan pada hasil pasien. Model ini menggunakan jaringan saraf buatan untuk mengidentifikasi faktor risiko yang kompleks dan banyak pada pasien secara akurat dan aman. Wardi berkata:

“Berkat model AI ini, tim kami dapat memberikan terapi penyelamat nyawa kepada pasien lebih cepat.” 

COMPOSER pertama kali diaktifkan lebih dari setahun yang lalu, pada Desember 2022. Saat ini model ini digunakan di banyak unit rawat inap rumah sakit di seluruh UC San Diego Health, dan di masa depan, UC San Diego Health East Campus juga akan mulai menggunakannya.

Baru-baru ini, Health Care Center mengumumkan pejabat AI kesehatan utama pertamanya. Mereka juga meluncurkan pilot di mana sistem catatan kesehatan elektronik berbasis cloud, Epic dan ChatGPT, secara otomatis menyusun respons pesan yang lebih empatik sehingga dokter dan perawat dapat fokus pada perawatan pasien. 

“Integrasi teknologi AI dalam catatan kesehatan elektronik membantu mewujudkan janji kesehatan digital.” 

– Christopher Longhurst, co-author studi & direktur eksekutif Jacobs Center for Health Innovation serta chief medical officer dan chief digital officer di UC San Diego Health

Perangkat Lunak untuk Menganalisis Data Genomik guna Memprediksi Penyakit dengan Akurasi

Contoh lain dari model prediksi berbasis AI yang membantu sektor kesehatan dapat dilihat dalam sebuah studi yang dipublikasikan minggu lalu. Dibuat di Rutgers Health, perangkat lunak pertama sejenis yang disebut IntelliGenes menggabungkan AI dan pembelajaran mesin untuk membantu memprediksi penyakit pada individu. Model ini memeriksa data genomik untuk menemukan biomarker terkait kesehatan guna menghasilkan prediksi pasien yang dipersonalisasi serta representasi visualnya.

Data multi-genomik memberikan informasi tentang susunan genetik bawaan seorang pasien dan berpotensi mengungkap biomarker baru berdasarkan risiko penyakit mereka. Studi tersebut mencatat:

“Kami percaya bahwa penggunaan sinergis dari beberapa algoritma AI memberikan hasil yang lebih akurat, menghasilkan kesimpulan yang mendalam, dan prediksi yang tepat tentang masalah dunia nyata dibandingkan dengan satu algoritma AI saja.”

Selanjutnya ditemukan bahwa Support Vector Machine (SVM) dan Random Forest (RF) adalah algoritma pembelajaran mesin paling berhasil yang digunakan untuk membuat prediksi dengan presisi tinggi serta menyelesaikan masalah regresi dan klasifikasi. 

Saat ini, tidak ada alat AI yang tersedia untuk menyelidiki dan menginterpretasikan seluruh genom manusia, terutama bagi individu yang bukan ahli di bidang tersebut. Oleh karena itu, peneliti mengembangkan IntelliGenes, yang dapat digunakan oleh siapa saja, termasuk mereka yang tidak memiliki banyak pengetahuan tentang teknik bioinformatika atau tidak memiliki akses ke komputer berperforma tinggi. 

Dengan menggunakan kombinasi algoritma pembelajaran mesin, peneliti Rutgers Health bertujuan mengungkap informasi yang biasanya tidak terdeteksi oleh statistik klasik dan teknik bioinformatika tradisional.

Para peneliti kemudian menerapkan IntelliGenes dalam sebuah studi lain untuk menemukan biomarker baru dan memprediksi penyakit kardiovaskular (CVD) dengan akurasi tinggi.

Penggunaan yang tepat dari metodologi AI dan ML, menurut studi, dapat memberi kita wawasan dan pemahaman baru tentang penyakit kardiovaskular. Hal ini pada gilirannya akan memungkinkan perawatan yang lebih dipersonalisasi.

Studi ini dimulai dengan pra-pemrosesan intensif data ekspresi gen dan kemudian menggunakan tiga uji statistik untuk mengevaluasi perbedaan dalam ekspresi transkriptomik (studi tentang seluruh set RNA) serta perbedaan antara karakteristik klinis pasien CVD dan individu sehat.

Dalam penelitiannya, tim menemukan 18 biomarker transkriptomik yang sangat signifikan pada populasi CVD. Biomarker tersebut kemudian digunakan untuk memprediksi penyakit dengan akurasi hingga 96%. Hasil ini juga divalidasi silang dengan catatan klinis yang dikumpulkan dari pasien dalam kohort.

“Ada potensi besar dalam konvergensi dataset dan perkembangan luar biasa dalam kecerdasan buatan serta pembelajaran mesin.” 

– Zeeshan Ahmed, penulis utama studi. Ahmed adalah anggota fakultas di Rutgers Institute for Health, Health Care Policy and Aging Research (IFH) dan asisten profesor kedokteran di Robert Wood Johnson Medical School

Menurutnya, model ini tidak hanya mendukung deteksi dini yang dipersonalisasi untuk penyakit umum maupun langka pada individu, tetapi juga membuka pintu bagi penelitian yang lebih luas yang pada akhirnya akan menghasilkan intervensi dan perawatan baru.

AI Belum Menjadi Solusi Sempurna!

Seperti yang kita lihat, model berbasis AI memiliki keunggulan signifikan di bidang perawatan kesehatan. Mereka mampu mendeteksi penyakit jauh lebih awal dengan akurasi tinggi dan menyelamatkan banyak nyawa. Namun, mereka belum menjadi solusi akhir, setidaknya belum. Hal ini dapat dilihat dalam sebuah studi yang dipublikasikan awal bulan ini dan menunjukkan bahwa ketika AI diterapkan di dunia nyata, kesalahan terjadi.

Dipublikasikan awal bulan ini dalam jurnal Modern Pathology, studi ini merupakan yang pertama meneliti bagaimana kontaminasi jaringan memengaruhi model pembelajaran AI.

Dalam studi ini, peneliti melatih tiga model AI untuk menganalisis slide mikroskop jaringan plasenta, dengan tugas termasuk mengidentifikasi kerusakan pembuluh darah, memperkirakan usia kehamilan, dan mengklasifikasikan lesi makroskopik. Selain itu, model keempat dilatih untuk mendeteksi kanker prostat pada sampel jaringan dari biopsi jarum.

Untuk menguji ketangguhannya, peneliti kemudian mengekspos setiap model pada potongan kecil jaringan kontaminan—seperti darah dan jaringan kandung kemih—yang diambil secara acak dari slide lain. Langkah ini bertujuan meniru kondisi dunia nyata di mana kontaminan sering hadir.

Setelah mengevaluasi kinerja model AI, ditemukan bahwa keempat model tersebut mengalihkan fokusnya ke kontaminan jaringan alih-alih berkonsentrasi pada tugas utama mereka. Distraksi ini menghasilkan ketidakakuratan dalam menentukan usia kehamilan, mendiagnosis kanker prostat, mengidentifikasi lesi, dan menilai kerusakan pembuluh darah. Hal ini terjadi karena AI menghadapi berbagai bahan di dunia nyata yang tidak mereka latih, berbeda dengan lingkungan simulasi bersih tempat mereka dilatih.

“Temuan kami mengingatkan bahwa AI yang bekerja sangat baik di laboratorium dapat gagal total di dunia nyata. Pasien harus tetap mengharapkan bahwa ahli manusia adalah penentu akhir dalam diagnosis yang dibuat pada biopsi dan sampel jaringan lainnya. Ahli patologi khawatir — dan perusahaan AI berharap — bahwa komputer akan mengambil alih pekerjaan kami. Belum.”

– Co-author Dr. Jeffery Goldstein

Bukan hanya AI, tetapi bahkan ahli patologi yang terlatih secara ekstensif untuk mendeteksi hal yang sama, kontaminasi jaringan merupakan masalah yang cukup umum. Namun, studi ini menunjukkan bahwa dokter dan peneliti non-patologi seringkali terkejut mengetahui hal ini. Dikatakan bahwa pada hari tertentu, dari 80 hingga 100 slide yang dipindai oleh seorang patolog per hari, 2-3 di antaranya diperkirakan mengandung kontaminan, yang mereka latih untuk diabaikan.

Menurut studi, model AI berperilaku serupa, seperti halnya manusia memeriksa jaringan pada slide. Saat memeriksa jaringan pada slide, manusia hanya dapat melihat bidang terbatas dalam mikroskop, kemudian berpindah ke bidang baru dan menggabungkan semua informasi yang diperoleh untuk membuat diagnosis.

Namun, AI dengan mudah terbukti tertipu oleh kontaminan karena harus memutuskan apa yang harus diperhatikan dan apa yang tidak. “Itu zero-sum,” kata Goldstein, yang merupakan direktur patologi perinatal dan asisten profesor patologi perinatal serta otopsi di Feinberg School of Medicine, Northwestern University, saat menjelaskan:

“Jika ia memperhatikan kontaminan jaringan, maka ia memperhatikan lebih sedikit jaringan pasien yang sedang diperiksa.”

Menurut penulis studi, praktisi harus bekerja untuk mengukur dan memperbaiki masalah ketidakmampuan model AI dalam mengkodekan impuritas biologis.

Namun, hasil tersebut membuat Goldstein “yakin bahwa evaluasi AI pada plasenta dapat dilakukan,” menyebut hambatan AI sebagai “rintangan kecil.” Itu berarti, “Kami berada di jalur yang tepat untuk mengintegrasikan penggunaan pembelajaran mesin dalam patologi secara lebih baik,” tambahnya.

Perusahaan yang Dapat Memanfaatkan Model Prediksi Berbasis AI

Dengan model AI menunjukkan janji besar, mari kita lihat perusahaan mana yang paling diuntungkan darinya:

1. Google DeepMind

Ini adalah anak perusahaan raksasa teknologi Google yang bertujuan memecahkan kecerdasan untuk “memajukan ilmu pengetahuan dan memberi manfaat bagi umat manusia.” 

Baru-baru ini, peneliti Google DeepMind mengungkapkan bahwa mereka telah menciptakan asisten AI untuk dokter bernama Articulate Medical Intelligence Explorer (AMIE) yang dapat membantu mendiagnosis pasien. Makalah lain dari organisasi tersebut mengusulkan WARM untuk mengatasi reward hacking pada LLM.

Dengan sahamnya diperdagangkan pada $152,59, naik 8,94% sejak awal tahun, pada saat penulisan, Google (GOOGL) memiliki kapitalisasi pasar sebesar $1,9 triliun. Perusahaan mencatat pendapatan (TTM) sebesar $297 miliar dengan EPS (TTM) 5,21 dan P/E (TTM) 29,19.

2. Siemens Healthineers

Perusahaan kesehatan terkemuka ini telah mengandalkan AI untuk mentransformasi industri perawatan kesehatan. Siemens Healthineers (SHL.SW ) (SHL.DE ) telah mengembangkan 84 produk yang didukung AI per November 2023 dan memiliki lebih dari 800 paten terkait teknologi tersebut.

Dipisahkan dari perusahaan induknya Siemens, penyedia solusi kesehatan ini memiliki kapitalisasi pasar sebesar $63 miliar dengan saham diperdagangkan pada $51,68. Siemens Healthineers memiliki EPS (TTM) 1,35 dan P/E (TTM) 38,28.

Pemikiran Akhir

Seperti yang kita lihat, AI memiliki janji besar dalam analisis tren, dan seiring kemajuan teknologi, kita akan melihat wawasan yang lebih akurat dan dapat ditindaklanjuti serta inovasi di seluruh sektor. Dalam perawatan kesehatan, model prediksi berbasis AI menyintesis data, wawasan, dan intervensi untuk mempersonalisasi perawatan kesehatan dan mengoptimalkan hasil. 

Klik di sini untuk mempelajari tentang sinergi yang berkembang antara AI & neuroscience.