Penulis : Angga Sanjaya Syahputra, Mahasiswa Teknik Informatika Universitas Pamulang
Kecerdasan buatan telah banyak diteliti dan diaplikasikan dalam praktik ilmu kedokteran dalam dekade terakhir ini, misalnya untuk diagnosis kanker dan retinopati diabetik. Hal ini menyebabkan pergeseran paradigma ke arah kedokteran presisi (precision medicine).
Dalam kurun waktu yang dekat, penggunaan teknologi kecerdasan buatan (ai) akan semakin berperan vital dalam praktik kedokteran kardiovaskular presisi dalam berbagai macam seperti :
- Identifikasi faktor-faktor risiko yang sebelumnya tidak diketahui
- Analisis gambar/hasil pemeriksaan penunjang, baik yang sederhana dan sudah digunakan saat ini seperti EKG, hingga analisa pemeriksaan yang lebih kompleks seperti hasil echocardiography, CT scan, atau MRI
- Mengubah kriteria diagnosis
- Menentukan pilihan keputusan terapi yang disesuaikan / tailored untuk pasien
Beberapa aspek kecerdasan buatan yang sudah dikembangkan dalam bidang kesehatan adalah machine learning, deep learning, dan cognitive computing.
Machine Learning
Machine learning yaitu pembelajaran mesin, adalah kemampuan komputer untuk belajar, yang umumnya dikelompokkan menjadi 3 pendekatan: disupervisi (supervised), tidak disupervisi (unsupervised), dan reinforcement.[1-3]
Supervised Learning
Dalam supervised learning, komputer membentuk algoritma sesuai ilmu/data yang diinput/dilabel manusia untuk memprediksi luaran (outcome) dari suatu dataset pasien yang diketahui.
Keterbatasan supervised learning yaitu: membutuhkan data dalam jumlah sangat besar sehingga memakan waktu lama karena harus dilabel manual oleh manusia, serta membutuhkan validasi berulang dengan dataset lainnya untuk melatih ketepatan model algoritma tersebut.
Unsupervised Learning
Dalam unsupervised learning, komputer membentuk algoritma dari hasil pembelajaran sendiri berdasarkan data-data pasien yang ada. Keuntungan unsupervised learning: dapat menemukan pola tersembunyi dari data-data yang ada untuk mengidentifikasi genotip, fenotip, serta mekanisme penyakit baru yang belum diketahui klinisi sebelumnya.
Kekurangan unsupervised learning adalah sulitnya menemukan pola awal untuk membentuk algoritma berpikir (terutama pada noisy data seperti gambaran ekokardiografi), sehingga membutuhkan manual coding dalam beberapa hal di awalnya, serta validasi berulang.
Reinforcement Learning
Dalam reinforcement learning, komputer menggunakan kombinasi dari supervised dan unsupervised learning, untuk memaksimalkan akurasi algoritma yang dibentuk komputer dari proses trial and error.
Deep Learning
Proses deep learning menyerupai proses berpikir manusia dengan menggunakan beberapa lapis jaringan neuron artifisial / artificial neuronal networks (ANN) untuk menganalisis secara nonlinear dan membentuk prediksi otomatis dari input data yang diberikan.
Kekurangan deep learning adalah membutuhkan dataset yang besar sehingga membutuhkan kolaborasi berbagai institusi dan rekam medis elektronik terintegrasi, serta adanya mesin tersendiri yang mampu / memiliki kapasitas deep learning.
Cognitive Computing
Komputasi kognitif / cognitive computing adalah cara komputer untuk “belajar sendiri” dengan menggunakan machine learning atau deep learning, serta pengenalan pola (pattern recognition), untuk menyerupai proses pikir manusia.
Hal ini bertujuan menciptakan model algoritma untuk memecahkan masalah tanpa bantuan manusia, contohnya IBM Watson.
IBM Watson adalah satu jenis komputasi kognitif yang “belajar” secara kontinu dari berbagai dataset (misalnya rekam medis elektronik) untuk memprediksi berbagai luaran/outcome lebih akurat dari manusia.
Note : Penulis bertanggung jawab atas semua tulisan ini.
Link : https://it.rsudsekayu.mubakab.go.id/info/peranan-teknologi-kecerdasan-buatan-ai-dalam-dunia-kesehatan