"Pasien ini, apakah bisa diselamatkan. Haruskah langsung dikirim ke ruang operasi, atau ICU yang lebih dulu."
Saat pasien dengan tubuh berlumuran darah dibawa masuk, tenaga medis harus mengambil keputusan dalam hitungan detik.
Peneliti Korea mengembangkan model prediksi yang dapat menjadi rujukan untuk pengambilan keputusan semacam itu, dengan menganalisis catatan lebih dari 200.000 pasien.
Tim riset gabungan yang dipimpin Prof. Lee Jae-myung dari Divisi Bedah Trauma Perawatan Intensif RS Korea University Anam dan Prof. Baek Seung-min dari Divisi Bedah Perawatan Intensif RS Ewha Womans University Mokdong mengumumkan pada 7 bahwa mereka mengembangkan model untuk memprediksi risiko kematian dini pada pasien trauma dengan memanfaatkan teknologi pembelajaran mesin (machine learning) berbasis kecerdasan buatan. Namun, model ini bukan perangkat lunak yang bisa langsung dipasang dan digunakan di rumah sakit, melainkan lebih dekat pada algoritme prediksi yang menghitung tingkat risiko kematian dalam bentuk angka setelah data pasien dimasukkan.
Trauma seperti kecelakaan lalu lintas atau jatuh dari ketinggian merupakan salah satu penyebab kematian utama di dunia, dan terutama menonjol pada kelompok usia muda.
Dalam kasus seperti ini, kondisi pasien dapat memburuk drastis dalam waktu singkat. Tenaga medis perlu mengidentifikasi pasien berisiko tinggi secara akurat sejak awal agar dapat bertindak cepat serta mengalokasikan sumber daya seperti ICU, ruang operasi, dan transfusi darah secara tepat.
Namun, penilaian ini tidak sederhana karena banyak faktor saling terkait—mulai dari situasi kecelakaan, lokasi dan tingkat cedera, usia dan kondisi fisik, pertolongan darurat dari lokasi kejadian hingga rumah sakit, sampai proses perawatan setelah tiba di rumah sakit.
Penelitian sebelumnya umumnya hanya menelaah data terbatas dari satu atau dua rumah sakit, sehingga sulit memastikan apakah hasilnya tetap akurat di rumah sakit lain atau pada periode waktu yang berbeda. Dalam banyak kasus, dasar yang digunakan kecerdasan buatan untuk menghasilkan prediksi juga sulit dijelaskan.
Model prediksi yang dibuat dari catatan 207.012 orang
Tim peneliti menganalisis 207.012 kasus dari total 237.616 data trauma berat berskala nasional yang dihimpun Badan Pengendalian dan Pencegahan Penyakit Korea (KDCA) pada 2016 hingga 2020, setelah mengecualikan data yang hilang atau tidak konsisten. Mereka membangun model prediksi menggunakan data 2016–2018, lalu memeriksa kinerja aktualnya dengan data 2019–2020. Dengan kata lain, mereka menguji apakah model ini juga berlaku untuk pasien baru yang belum pernah masuk dalam data pelatihan, bukan hanya untuk data yang sudah diketahui.
Tim peneliti menjalankan dan membandingkan kinerja enam metode pembelajaran mesin: regresi logistik (Logistic Regression), k-nearest neighbors (k-NN), pohon keputusan (Decision Tree), random forest (Random Forest), multilayer perceptron (MLP), dan XGB.
Di antara semuanya, model XGB menunjukkan kinerja terbaik. Pada dua indikator evaluasi yang menunjukkan seberapa baik model membedakan pasien berisiko tinggi dan tidak, model ini mencatat masing-masing 0,985 dan 0,957. Semakin mendekati 1 berarti semakin akurat, dan skor di atas 0,98 tergolong sangat tinggi di bidang ini. Model random forest yang menempati posisi kedua juga menunjukkan kinerja serupa, yakni 0,984 dan 0,956.
Bahkan pada data masa pandemi Covid-19 tahun 2020, ketika sistem layanan gawat darurat secara keseluruhan terguncang, model XGB mencatat 0,984—pada dasarnya sama seperti kondisi normal. Artinya, seberapa pun kacau situasi di luar rumah sakit, model prediksi ini tetap berfungsi secara konsisten.
Dasar apa yang dipakai untuk menandai risiko
Tim peneliti juga menelaah dasar yang digunakan model prediksi ini dalam menilai risiko. Dengan memanfaatkan teknik analisis bernama SHAP, mereka menelusuri satu per satu seberapa besar pengaruh setiap informasi ketika kecerdasan buatan mengambil keputusan akhir.
Hasilnya menunjukkan bahwa henti jantung sebelum tiba di rumah sakit, skor tingkat keparahan cedera, usia, serta waktu yang dibutuhkan hingga transfusi darah pertama merupakan faktor kunci yang membedakan risiko kematian. Kebetulan, faktor-faktor ini juga tumpang tindih dengan informasi yang paling awal diperiksa tenaga medis IGD saat berhadapan dengan pasien.
Poin pentingnya, model ini tidak hanya memberikan hasil, tetapi juga memungkinkan diketahui "mengapa dinilai berisiko". Tenaga medis perlu memahami dasar penilaiannya agar dapat mempercayai dan menjadikan hasil tersebut sebagai rujukan.
Studi ini bermakna besar karena berbasis data publik berskala nasional. Tim peneliti tidak hanya menilai akurasi prediksi, tetapi juga apakah model dapat menjelaskan alasan penilaiannya (interpretabilitas), apakah dapat diterapkan di rumah sakit lain (skalabilitas), serta apakah kinerjanya tetap terjaga meski waktu berlalu atau situasi berubah (kemampuan generalisasi). Karena itu, temuan ini menunjukkan potensi penggunaan yang luas di berbagai lapangan, bukan hanya berlaku di satu rumah sakit tertentu. Namun, hasil kali ini masih berada pada tahap verifikasi melalui analisis catatan masa lalu, sehingga diperlukan validasi tambahan sebelum diterapkan di praktik rumah sakit nyata.
Prof. Lee Jae-myung mengatakan, “Ke depan, kami berharap ini menjadi data dasar yang dapat dimanfaatkan untuk menyeleksi risiko pasien dengan cepat di lapangan sistem layanan gawat darurat dan praktik perawatan trauma.” Prof. Baek Seung-min menyatakan, “Dengan memanfaatkan data registri trauma nasional, kami mengonfirmasi kemungkinan untuk menyeleksi risiko kematian dini pada tingkat sistem,” seraya menambahkan, “Ke depan, kami akan mengembangkannya menjadi penelitian yang mengintegrasikan penapisan risiko berbasis AI ke dalam sistem layanan gawat darurat dan sistem trauma melalui kalibrasi serta validasi prospektif.”
Di IGD, keputusan dalam hitungan detik menentukan hidup dan mati. Memang belum akan langsung diterapkan di semua rumah sakit, tetapi setiap kali model prediksi seperti ini melewati verifikasi berulang dan terakumulasi di lapangan, keluhan “andai saja saat itu tahu sedikit lebih cepat” akan berkurang sedikit demi sedikit.
Studi ini dimuat di jurnal internasional bidang bedah gawat darurat dan bedah trauma 《World Journal of Emergency Surgery》. Jurnal ini merupakan jurnal Q1 yang berada di sekitar 2,6% teratas (persentil JIF rata-rata 97,4) di bidang bedah dan kedokteran gawat darurat.
