Dalam Artikel Ini

• Mengapa kematian jantung mendadak masih sulit diprediksi
• Bagaimana alat klinis tradisional tidak efektif—terutama pada pasien yang lebih muda
• Apa yang membuat model AI MAARS lebih akurat dan adil?
• Mengapa gambar medis mentah lebih penting daripada ringkasan ahli
• Bagaimana AI dapat mendefinisikan ulang akuntabilitas dan kepercayaan medis

AI Mengungguli Dokter dalam Prediksi Jantung

Kematian jantung mendadak (SCD) tidak memberi kesempatan kedua. Penyakit ini sering menyerang tanpa peringatan dan menyebabkan jumlah kematian yang sangat tinggi di seluruh dunia—antara 50 dan 100 dari setiap 100,000 orang di Amerika Utara dan Eropa setiap tahunnya. Meskipun defibrilator implan dapat mencegah tragedi ini, tantangan sebenarnya terletak pada mengetahui siapa yang sebenarnya membutuhkannya. Di sinilah dunia kedokteran secara historis mengalami kegagalan—terutama pada pasien dengan kardiomiopati hipertrofik (HCM), suatu kondisi bawaan yang sering menyerang mereka yang muda dan tampak sehat.

Para dokter mengandalkan pedoman berdasarkan fraksi ejeksi—seberapa banyak darah yang dipompa jantung setiap kali berdetak. Namun, pasien HCM biasanya tidak memiliki fraksi ejeksi yang rendah. Jantung mereka bahkan mungkin hiperaktif. Jadi, tanda-tanda bahayanya saja tidak cukup. Dan ketika alat konvensional tidak berfungsi, pasien menanggung akibatnya.

Memperkenalkan MAARS: Prediktor yang Lebih Cerdas

Dikembangkan oleh tim di Universitas Johns HopkinsKecerdasan Buatan Multimodal untuk Stratifikasi Risiko Aritmia Ventrikel—yang disingkat MAARS—tidak hanya mengamati satu aspek kesehatan pasien. Model ini mempelajari segalanya: rekam medis elektronik (RME), laporan ekokardiogram, gambar MRI dengan kontras, dan banyak lagi. Model ini menggunakan pembelajaran mendalam berbasis transformator, arsitektur jaringan saraf generasi berikutnya yang serupa dengan yang digunakan AI seperti ChatGPT atau alat pengenal gambar.

Terobosan terletak pada cara MAARS memproses informasi ini. Alih-alih menerima interpretasi MRI dari dokter, MAARS membaca data pemindaian mentah. Artinya, tidak ada penyaringan oleh mata manusia, tidak ada bias, tidak ada pengawasan. MAARS mengidentifikasi pola fibrosis—jaringan parut di dalam jantung—yang mungkin terlewatkan oleh ahli radiologi. Dan MAARS melakukannya dalam 3D menggunakan Vision Transformer (3D-ViT), yang mempertahankan semua kompleksitas jantung manusia yang sebenarnya.

Mengungguli Para Ahli—Jauh Lebih Baik

Mari kita bahas hasilnya. Dalam pengujian terhadap alat klinis standar—pedoman ACC/AHA, skor risiko ESC, dan kalkulator HCM Risk-SCD—MAARS tidak hanya mengungguli pesaing. Bahkan, MAARS mengalahkan mereka. Dalam kohort validasi internal, MAARS mencapai Area di Bawah Kurva (AUC) sebesar 0.89. Alat klinis berkisar antara 0.54 dan 0.62. Dalam pengujian eksternal dari sistem rumah sakit yang berbeda, MAARS masih unggul dengan AUC sebesar 0.81—jauh lebih tinggi daripada yang digunakan dokter saat ini.

Itu bukan peningkatan yang signifikan. Ini adalah terobosan. Sebagai konteks, AUC 0.5 sama saja dengan melempar koin. Alat-alat terkemuka hampir tidak melampaui ambang batas tersebut. MAARS tidak hanya memprediksi dengan lebih baik—tetapi juga memprediksi secara akurat dan konsisten di berbagai kelompok usia, jenis kelamin, dan ras.

Bias dalam Kedokteran: Masalah yang Mungkin Diatasi oleh AI

Keadilan bukanlah kata kunci di sini—melainkan hidup atau mati. Alat medis seringkali gagal pada pasien minoritas dan pasien yang lebih muda karena keterbatasan data uji coba atau asumsi yang bias. Namun, MAARS, yang dibangun di atas kerangka kerja multimoda, menunjukkan kinerja yang sangat merata di seluruh subkelompok. Baik pasien muda maupun tua, pria maupun wanita, Afrika-Amerika maupun kulit putih, MAARS menunjukkan akurasi yang hampir sama. Hal ini jarang terjadi dalam prediksi klinis—dan vital di tengah dunia yang semakin disparitas kesehatan.

Satu hal yang mengejutkan? Etnis Afrika-Amerika ternyata berkorelasi dengan penurunan risiko SCDA dalam model tersebut—sebuah hasil yang patut dikaji lebih dalam, tetapi juga mengisyaratkan wawasan bernuansa yang dapat diberikan AI, terutama ketika kita membiarkannya berbicara dari data mentah, alih-alih asumsi manusia.

Transparansi dalam Kotak Hitam

Kebanyakan orang tidak memercayai algoritma kotak hitam—dan memang seharusnya begitu. MAARS tidak hanya mengeluarkan skor risiko; ia menjelaskan dirinya sendiri. Menggunakan teknik seperti nilai Shapley dan pemetaan perhatian, model ini mengungkapkan faktor-faktor yang memengaruhi keputusannya. Apakah riwayat fibrilasi atrium? Tes stres yang menunjukkan respons detak jantung yang lebih rendah? Atau pola tersembunyi pada fibrosis pada pemindaian jantung? MAARS tidak membuat dokter bertanya-tanya. MAARS memberi mereka peta jalan untuk memahami risiko—dan berpotensi, patologi yang mendasarinya.

Ini bukan interpretabilitas sebagai sebuah fitur. Ini interpretabilitas sebagai sebuah tanggung jawab. Ketika AI memberikan rekomendasi yang mengubah hidup, terutama tentang siapa yang akan mendapatkan defibrilator implan, kejelasan sangatlah penting. MAARS menyediakannya, baik secara visual maupun statistik.

Mengapa Data Medis Mentah Mengubah Permainan

Ada pelajaran di sini yang melampaui kardiologi: data mentah lebih penting daripada ringkasan. Laporan dokter, meskipun sangat berharga, menimbulkan subjektivitas. Namun, MAARS membaca sinyal itu sendiri—pemindaian yang sebenarnya—dan mempelajari pola yang belum pernah diajarkan manusia. MAARS tidak dibatasi oleh apa yang sudah kita anggap penting. Dengan demikian, MAARS mendefinisikan ulang arti "penting" dalam konteks klinis.

Pergeseran ini, dari menafsirkan data pra-proses ke menganalisis input mentah, merupakan inti dari gelombang AI medis berikutnya. AI medis beralih dari meniru dokter menjadi meningkatkan—atau melampaui—mereka. Inilah perbedaan antara melatih burung beo dan membesarkan seorang ahli diagnostik.

Keterbatasan dan Hambatan di Dunia Nyata

Jangan sampai MAARS digambarkan sempurna. Seperti semua model lainnya, MAARS menghadapi tantangan. Kohort pelatihannya relatif kecil—hanya lebih dari 800 pasien secara total—dan kematian jantung mendadak masih merupakan kejadian langka. Hal ini berarti titik data yang terbatas untuk apa yang pada akhirnya ingin diprediksi oleh model tersebut. Meskipun algoritmanya berkinerja baik dalam validasi internal dan eksternal, pengujiannya perlu dilakukan pada populasi yang lebih luas dan jangka waktu yang lebih panjang.

Kendala lain? Infrastruktur yang dibutuhkan. Tidak semua rumah sakit memiliki perangkat keras pencitraan, alur pemrosesan data, atau personel untuk menerapkan sistem tersebut. Namun, seiring berkembangnya berbagi data, penyimpanan cloud, dan diagnostik berbasis AI, model seperti MAARS mungkin akan jauh lebih mudah diakses—bahkan di klinik yang lebih kecil atau wilayah berkembang.

Mendefinisikan Ulang Akuntabilitas dan Penilaian Klinis

Inilah pertanyaan yang agak sulit: apa yang terjadi ketika mesin melihat apa yang terlewatkan oleh dokter Anda? Apakah kita memercayai modelnya? Atau apakah kita mengandalkan penilaian manusia yang aman? MAARS mendorong batasan itu. MAARS tidak menggantikan dokter—malah menantang mereka untuk berpikir berbeda, mengintegrasikan data yang mungkin tidak sempat mereka analisis sepenuhnya, dan mengandalkan alat yang tidak dibatasi oleh tidur, stres, atau intuisi klinis.

Masa depan bukanlah manusia melawan mesin. Melainkan manusia melawan mesin. Dan dalam hal mencegah salah satu penyebab kematian paling mendadak dan tragis, kemitraan itu bisa jadi tak ternilai harganya.

MAARS mungkin hanya salah satu akronim dalam jajaran AI medis, tetapi implikasinya jauh melampaui kardiologi. Akronim ini memberi tahu kita sesuatu yang penting tentang masa depan perawatan kesehatan: diagnosis terpintar mungkin tidak datang dari apa yang Anda lihat, tetapi dari apa yang akhirnya Anda putuskan untuk dipercayai.

tentang Penulis

Alex Jordan adalah penulis staf untuk InnerSelf.com

Rekap Artikel

MAARS adalah model AI multimoda yang memprediksi henti jantung lebih akurat daripada dokter dengan menganalisis pencitraan mentah dan data medis. Model ini memberikan penilaian risiko yang lebih adil, lebih transparan, dan sangat personal pada kardiomiopati hipertrofik. Dengan mengungguli alat tradisional dan mengurangi bias, MAARS menandakan kemajuan pesat dalam prediksi jantung dan layanan kesehatan berbasis AI.

#prediksijantung #perawatankesehatanAI #modelMAARS #kematianjantungmendadak #penyakitjantung #kecerdasanbuatan #AImedis #perawatankardiovaskular #teknologikesehatan #ekokardiogram #CMRimaging