Model AI inovatif yang dikembangkan oleh para peneliti Universitas Johns Hopkins dapat mendeteksi sinyal-sinyal yang sebelumnya tidak terlihat dalam tes EKG, memprediksi komplikasi pasca-operasi yang berpotensi mematikan dengan akurasi yang belum pernah terjadi sebelumnya.
Sebuah model kecerdasan buatan yang baru dikembangkan akan merevolusi cara ahli bedah memprediksi dan mengelola komplikasi pascabedah, secara signifikan mengungguli skor risiko tradisional yang saat ini digunakan oleh dokter. Terobosan inovatif ini berasal dari para peneliti di Universitas Johns Hopkins, yang telah memanfaatkan AI untuk mengungkap sinyal yang sebelumnya tidak terdeteksi dalam tes elektrokardiogram (EKG) rutin.
Dengan memanfaatkan data fisiologis yang lebih rumit dalam hasil EKG, model AI menjanjikan peningkatan pengambilan keputusan dan perhitungan risiko bagi dokter dan pasien.
"Kami menunjukkan bahwa elektrokardiogram dasar mengandung informasi prognostik penting yang tidak dapat diidentifikasi dengan mata telanjang," ujar penulis senior Robert D. Stevens, kepala Divisi Informatika, Integrasi, dan Inovasi di Johns Hopkins Medicine, dalam siaran pers. "Kami hanya dapat mengekstraknya dengan teknik pembelajaran mesin."
Diterbitkan hari ini di British Journal of Anaesthesia, penelitian tersebut membahas kebutuhan kritis dalam komunitas medis.
Skor risiko tradisional, yang digunakan untuk mengidentifikasi pasien yang mungkin menghadapi komplikasi akibat pembedahan, memiliki tingkat akurasi hanya 60%.
Sekitar 37,000 data EKG praoperatif pasien dianalisis untuk melatih model AI, dengan satu model berfokus hanya pada data EKG dan model “fusi” lainnya mengintegrasikan hasil EKG dengan catatan medis pasien.
Hasilnya meyakinkan. Model EKG saja sudah melampaui penilaian risiko yang ada, tetapi model fusi melangkah lebih jauh, mencapai akurasi 85% yang mengesankan dalam memprediksi komplikasi pascaoperasi seperti serangan jantung, stroke, atau kematian dalam 30 hari setelah operasi.
"Mengejutkan bahwa kita dapat menggunakan diagnostik rutin ini, data 10 detik ini, dan memprediksi dengan sangat akurat apakah seseorang akan meninggal setelah operasi," tambah penulis utama Carl Harris, seorang mahasiswa doktoral di bidang teknik biomedis. "Kami memiliki temuan yang sangat berarti yang dapat meningkatkan penilaian risiko bedah."
Stevens menguraikan implikasi yang lebih luas dari temuan ini, menyoroti berbagai informasi fisiologis yang dapat ditangkap oleh EKG, termasuk data tentang peradangan, sistem endokrin, metabolisme, cairan, dan elektrolit.
"Jika kami bisa mendapatkan kumpulan data hasil EKG yang sangat besar, dan menganalisisnya dengan pembelajaran mendalam, kami beralasan bisa mendapatkan informasi berharga yang saat ini belum tersedia bagi dokter," tambah Stevens.
Tim juga menciptakan metode untuk mengidentifikasi fitur EKG mana yang dapat dikaitkan dengan serangan jantung atau stroke setelah operasi.
"Bayangkan jika Anda menjalani operasi besar, alih-alih hanya mencatat EKG di rekam medis Anda tanpa ada yang melihatnya, EKG tersebut dijalankan melalui sebuah model dan Anda mendapatkan penilaian risiko serta dapat berdiskusi dengan dokter tentang risiko dan manfaat operasi," tambah Stevens. "Ini merupakan langkah maju yang transformatif dalam cara kita menilai risiko bagi pasien."
Model AI baru tidak hanya memberikan lompatan signifikan dalam memprediksi risiko bedah tetapi juga menawarkan wawasan yang dapat membuka jalan penelitian lebih lanjut.
Tim tertarik untuk menguji model tersebut pada kumpulan data yang lebih besar dan dalam studi prospektif yang melibatkan pasien yang akan menjalani operasi.
Tim juga tengah menjajaki titik data potensial berharga lainnya yang mungkin dapat diekstrak AI dari EKG di masa mendatang.
Sumber: Johns Hopkins University