By adminvps06 
Pendekatan AI yang transparan mengkalibrasi ulang persamaan PREVENT baru untuk memberikan penilaian risiko kardiovaskular yang lebih disesuaikan pada populasi lokal
Kalkulator risiko digunakan untuk mengevaluasi risiko penyakit bagi jutaan pasien, sehingga keakuratannya menjadi sangat penting. Namun, ketika model nasional diadaptasi untuk populasi lokal, model tersebut sering kali memburuk, kehilangan keakuratan dan kemampuan interpretasi. Peneliti dari Rumah Sakit Brigham dan Wanita, anggota pendiri sistem perawatan kesehatan Mass General Brigham, menggunakan pembelajaran mesin tingkat lanjut untuk meningkatkan keakuratan kalkulator risiko kardiovaskular nasional sambil mempertahankan kemampuan interpretasi dan asosiasi risiko aslinya. Hasil mereka menunjukkan keakuratan yang lebih tinggi secara keseluruhan dalam kelompok catatan kesehatan elektronik dari Mass General Brigham dan mengklasifikasikan ulang sekitar satu dari sepuluh pasien ke dalam kategori risiko yang berbeda untuk memfasilitasi keputusan perawatan yang lebih tepat. Hasilnya dipublikasikan di JAMA Cardiology.
“Kalkulator risiko sangatlah penting karena merupakan bagian integral dari percakapan antara penyedia layanan dan pasien tentang pencegahan risiko,” kata penulis pertama Aniket Zinzuwadia, MD, seorang dokter residen di bidang Penyakit Dalam di Brigham and Women’s Hospital. “Namun terkadang, ketika menerapkan kalkulator global ini pada populasi lokal, terdapat variabilitas yang melekat pada sifat suatu area — apakah itu karakteristik demografi yang berbeda, pola praktik dokter yang berbeda, atau faktor risiko yang berbeda — jadi kami ingin menemukan cara untuk menyesuaikan model risiko penyakit kardiovaskular yang mendasar dengan populasi lokal dengan cara yang aman yang dibangun berdasarkan apa yang telah dilakukan.”
American Heart Association merilis kalkulator Predicting Risk of Cardiovascular Disease Events (PREVENT) pada tahun 2023 untuk orang dewasa berusia 30-79 tahun. Alat baru dan lebih baik ini membantu memprediksi kemungkinan seseorang terkena serangan jantung, stroke, atau gagal jantung dalam 10 tahun dan 30 tahun. Meskipun persamaan PREVENT telah berhasil menilai risiko di tingkat nasional, para peneliti ingin menguji apakah teknik mereka dapat mengkalibrasi penilaian risiko dengan lebih baik untuk populasi yang lebih lokal.
Dalam penelitian ini, para peneliti menggunakan data rekam medis elektronik dari 95.326 pasien Mass General Brigham yang berusia 55 tahun atau lebih pada tahun 2007 dan yang memiliki setidaknya satu pengukuran lipid atau tekanan darah antara tahun 1997-2006 dan setidaknya satu kali pertemuan dengan sistem rumah sakit antara tahun 2007-2016. Tim tersebut menggunakan XGBoost, pustaka pembelajaran mesin sumber terbuka, untuk mengkalibrasi ulang persamaan PREVENT sambil tetap mempertahankan hubungan faktor risiko yang diketahui dengan hasil yang diamati dalam model asli. Hasilnya menunjukkan akurasi yang lebih tinggi dan reklasifikasi satu dari sepuluh pasien dalam populasi ini.
“Secara teoritis, ini dapat mewakili sekelompok pasien yang mungkin tidak diberi resep terapi statin dalam penerapan model asli, misalnya, tetapi mungkin mendapat manfaat darinya,” kata Zinzuwadia.
Meskipun masih ada langkah lebih lanjut yang diperlukan sebelum teknik ini dapat diterapkan pada perawatan pasien, tim ingin melihat bagaimana kinerjanya pada populasi lokal di sistem perawatan kesehatan lain dan, akhirnya, agar dokter dan peneliti dapat menggunakan alat tersebut untuk menyesuaikan model risiko global.
“Tantangan utama penerapan AI pada penelitian medis adalah memastikan bahwa model pembelajaran mesin tidak hanya fleksibel, tetapi juga transparan, andal, dan berlandaskan pada pengetahuan domain,” kata penulis senior Olga Demler, PhD, seorang ahli biostatistik asosiasi di Divisi Pengobatan Preventif Rumah Sakit Brigham dan Wanita. “Pendekatan kami menunjukkan bahwa adalah mungkin untuk menghindari sifat ‘kotak hitam’ dari aplikasi AI dan dapat menawarkan jalan ke depan di mana algoritme canggih dapat mempertahankan fleksibilitasnya sambil menghasilkan jaminan kinerjanya.”