Para ilmuwan UCSF menggabungkan biomarker berbasis gen dengan AI generatif untuk mendeteksi infeksi paru-paru berbahaya pada pasien ICU dengan akurasi yang luar biasa. Pendekatan ini dapat mempercepat diagnosis dan secara signifikan mengurangi penggunaan antibiotik yang tidak perlu.
Infeksi paru-paru seperti pneumonia termasuk di antara penyebab kematian utama di dunia, namun bahkan di unit perawatan intensif modern pun, infeksi ini bisa sangat sulit didiagnosis. Ketidakpastian tersebut sering mendorong dokter untuk meresepkan antibiotik yang ampuh sebagai tindakan pencegahan — naluri menyelamatkan nyawa yang juga memicu resistensi obat dan membuat pasien terpapar efek samping yang tidak perlu.
Para peneliti di Universitas California San Francisco mengatakan bahwa pendekatan baru yang menggabungkan biomarker berbasis darah dengan kecerdasan buatan generatif dapat mengubah persamaan tersebut.
Dalam sebuah studi observasional terhadap orang dewasa yang sakit kritis, diterbitkan Dalam jurnal Nature Communications yang diterbitkan hari ini, model tim tersebut berhasil mengidentifikasi infeksi saluran pernapasan bawah dengan tepat sebanyak 96% kasus. Model ini juga lebih baik daripada dokter perawatan intensif dalam membedakan penyebab gagal napas yang bersifat infeksi dan non-infeksi.
Para peneliti memperkirakan bahwa jika model mereka tersedia ketika pasien dirawat, hal itu dapat mengurangi penggunaan antibiotik yang tidak tepat hingga lebih dari 80%.
“Kami telah merancang metode yang memberikan hasil jauh lebih cepat daripada kultur, dan metode ini mudah diterapkan di klinik,” kata penulis senior Chaz Langelier, seorang profesor kedokteran di UCSF, dalam siaran pers. “Kami yakin bahwa metode ini dapat mempercepat diagnosis dan mengurangi penggunaan antibiotik yang tidak perlu.”
Kultur, yang melibatkan penumbuhan bakteri dari sampel pasien, adalah cara standar untuk memastikan infeksi, tetapi prosesnya dapat memakan waktu berhari-hari dan terkadang gagal menumbuhkan bakteri sama sekali. Sementara itu, dokter harus memutuskan apakah akan memulai atau melanjutkan pemberian antibiotik berdasarkan informasi yang tidak lengkap dari hasil pemindaian, tes laboratorium, dan pemeriksaan di samping tempat tidur pasien.
Model UCSF mengatasi masalah itu dari dua arah sekaligus.
Salah satu bagiannya adalah biomarker yang didasarkan pada gen bernama FABP4, yang diidentifikasi oleh kelompok Langelier pada tahun 2023 sebagai sinyal menjanjikan infeksi saluran pernapasan bawah. FABP4 membantu memodulasi peradangan dan kurang aktif pada sel imun tertentu dibandingkan pada sel paru-paru normal. Dengan mengukur seberapa kuat gen tersebut diekspresikan, para peneliti dapat menyimpulkan apakah tubuh memberikan respons yang biasanya menyertai infeksi paru-paru serius.
Komponen lainnya adalah sistem AI generatif yang membaca dan menafsirkan rekam medis elektronik pasien. Menggunakan GPT-4 pada platform yang melindungi privasi yang dikembangkan di UCSF, tim tersebut merancang petunjuk yang memandu AI untuk menyaring catatan klinis, nilai lab, laporan pencitraan, dan data lainnya untuk memutuskan apakah pneumonia atau infeksi saluran pernapasan bawah lainnya mungkin terjadi.
Studi ini menggunakan data dari dua kelompok pasien ICU. Sembilan puluh delapan pasien direkrut sebelum pandemi COVID-19, ketika sebagian besar infeksi disebabkan oleh bakteri. Lima puluh sembilan pasien lainnya direkrut selama pandemi, ketika infeksi virus, termasuk COVID-19, lebih umum terjadi.
Ketika para peneliti menguji setiap metode secara terpisah — baik biomarker FABP4 maupun analisis AI — masing-masing mencapai akurasi diagnostik sekitar 80%. Peningkatan nyata terjadi ketika mereka menggabungkan keduanya.
Mereka kemudian membandingkan kinerja model tersebut dengan diagnosis yang dibuat oleh dokter ICU yang merawat pasien. Dokter-dokter tersebut meresepkan antibiotik untuk pneumonia dalam sebagian besar kasus, yang mencerminkan risiko tinggi jika tidak mendeteksi infeksi berbahaya. Model gabungan biomarker plus AI lebih selektif, melabeli lebih sedikit pasien sebagai penderita pneumonia namun tetap mendeteksi hampir semua infeksi sebenarnya.
Untuk lebih memahami bagaimana AI membuat keputusannya, tim juga membandingkannya dengan tiga dokter yang berspesialisasi dalam penyakit dalam dan penyakit menular. Baik AI maupun para ahli manusia sama-sama mendapatkan jumlah diagnosis yang benar, tetapi mereka tampaknya lebih mengandalkan jenis informasi yang berbeda. AI cenderung memberikan bobot lebih besar pada laporan radiologi dari rontgen dada, sementara para dokter lebih fokus pada catatan klinis naratif.
“Ini hampir menunjukkan perbedaan budaya, jika Anda bisa mengatakan itu tentang AI,” tambah penulis pertama bersama, Natasha Spottiswoode, seorang asisten profesor kedokteran di UCSF. “Ini menunjukkan bagaimana AI dapat melengkapi pekerjaan yang dilakukan dokter.”
Alih-alih merahasiakan perintah AI mereka, para peneliti mempublikasikannya dalam makalah tersebut dan mendorong para klinisi lain untuk mencoba pendekatan serupa pada platform AI mereka sendiri yang sesuai dengan HIPAA. Idenya adalah untuk membuat teknik ini dapat diakses, tidak hanya oleh ilmuwan data, tetapi juga oleh dokter di lapangan.
Penulis pertama bersama, Hoang Van Phan, seorang ahli bioinformatika di UCSF, menekankan bahwa alat ini dirancang agar mudah digunakan.
“Menggunakannya sangat mudah, Anda tidak perlu menjadi seorang ahli bioinformatika,” katanya dalam siaran pers tersebut.
Tim tersebut kini sedang berupaya memvalidasi model tersebut sebagai uji klinis yang dapat digunakan secara real-time, bukan hanya dalam analisis retrospektif. Hal itu akan membutuhkan studi lebih lanjut untuk mengkonfirmasi keandalannya di berbagai rumah sakit dan populasi pasien, serta perhatian yang cermat terhadap keselamatan dan pengawasan.
Jika terbukti benar, pendekatan ini dapat menawarkan cara baru yang ampuh untuk mempersonalisasi perawatan di ICU: dengan cepat mengidentifikasi pasien mana yang benar-benar membutuhkan antibiotik agresif dan mana yang tidak, sekaligus memberikan gambaran yang lebih jelas kepada dokter tentang apa yang terjadi di paru-paru.
Selanjutnya, para peneliti berencana untuk mengalihkan perhatian mereka ke sepsis, respons tubuh yang berlebihan dan seringkali mematikan terhadap infeksi. Seperti pneumonia, sepsis terkenal sulit didiagnosis secara dini dan akurat, dan tetap menjadi penyebab kematian paling umum di rumah sakit.
Secara lebih luas, penelitian ini menyoroti bagaimana menggabungkan wawasan biologis — seperti biomarker berbasis gen — dengan sistem AI canggih dapat membantu memecahkan beberapa teka-teki diagnostik tersulit dalam bidang kedokteran. Bagi pasien yang kesulitan bernapas di ruang ICU, hal itu dapat berarti jawaban yang lebih cepat, pengobatan yang lebih tepat sasaran, dan peluang pemulihan yang lebih baik.