Editorial Ilmu Komputer & AI
Open AccessOA2023
Pendekatan Machine Learning untuk Mengklasifikasikan Tingkat Keparahan Keterbatasan Latihan Menggunakan Cardiopulmonary Exercise Testing - Pengembangan dan Validasi
Penelitian ini mengevaluasi kelayakan penggunaan algoritma machine learning untuk menafsirkan data cardiopulmonary exercise test (CPET) dan mengklasifikasikan tingkat keparahan keterbatasan latihan. Model berbasis SVM yang diusulkan mencapai sensitivitas dan spesifisitas tinggi dalam mengidentifikasi keterbatasan latihan terkait kardiovaskular atau ventilasi yang ringan, sedang, atau berat.
Or Inbar; Omri Inbar; R. Reuveny; M. Segel; H. Greenspan; M. Scheinowitz· Medical Research Archives· 2023· DOI 10.18103/mra.v11i11.4721
Masalah inti
Cardiopulmonary exercise testing (CPET) adalah alat yang berharga untuk menilai keterbatasan latihan, tetapi belum ada konsensus mengenai strategi optimal untuk menafsirkan hasil CPET. Kurangnya standardisasi ini dapat menyebabkan variabilitas dalam diagnosis dan penatalaksanaan. Penelitian ini bertujuan mengevaluasi kelayakan penggunaan algoritma berbantuan komputer untuk menganalisis data CPET dan mengidentifikasi tingkat keterbatasan atau intoleransi latihan. Dengan memanfaatkan machine learning, penulis berupaya mengembangkan metode yang andal dan objektif untuk mengklasifikasikan tingkat keparahan keterbatasan latihan, yang dapat meningkatkan pengambilan keputusan klinis dan perawatan pasien.
Inovasi
Penelitian ini menggunakan dataset retrospektif berisi 206 berkas CPET dari Pulmonary Institute dan Cardiology Rehabilitation Center di Sheba Medical Center, serta 50 berkas dari laboratorium fisiologi latihan di Washington-Hill College, keduanya di Israel. Dataset mencakup 80 pasien dengan keterbatasan latihan terkait kardiovaskular primer yang terkonfirmasi, 76 pasien dengan keterbatasan latihan terkait ventilasi, dan 50 subjek sehat tanpa atau dengan hambatan latihan yang sangat ringan. Pembelajaran Support Vector Machine (SVM) dilakukan pada 150 CPET (50 dari setiap kelompok), dan validasi model dilakukan pada 56 berkas CPET sisanya. Metode klasterisasi K-means diterapkan untuk analisis distribusi guna membandingkan kinerja modul interpretatif SVM dengan kinerja kardiolog senior, pulmonolog, dan ahli fisiologi latihan. Algoritma SVM dilatih untuk mengklasifikasikan tingkat keparahan keterbatasan latihan berdasarkan fitur yang diturunkan dari CPET.
Pendahuluan
Cardiopulmonary exercise testing (CPET) adalah alat yang berharga untuk menilai keterbatasan latihan, tetapi belum ada konsensus mengenai strategi optimal untuk menafsirkan hasil CPET. Kurangnya standardisasi ini dapat menyebabkan variabilitas dalam diagnosis dan penatalaksanaan. Penelitian ini bertujuan mengevaluasi kelayakan penggunaan algoritma berbantuan komputer untuk menganalisis data CPET dan mengidentifikasi tingkat keterbatasan atau intoleransi latihan. Dengan memanfaatkan machine learning, penulis berupaya mengembangkan metode yang andal dan objektif untuk mengklasifikasikan tingkat keparahan keterbatasan latihan, yang dapat meningkatkan pengambilan keputusan klinis dan perawatan pasien.
Mengapa penting
Temuan ini menunjukkan bahwa algoritma machine learning, khususnya SVM, dapat secara efektif menafsirkan data CPET dan mengklasifikasikan tingkat keparahan keterbatasan latihan dengan akurasi tinggi. Pendekatan ini mengatasi kurangnya standardisasi dalam penafsiran CPET saat ini dan menawarkan solusi yang menjanjikan untuk penilaian objektif. Batasan penelitian ini meliputi desain retrospektif dan ukuran sampel yang relatif kecil, yang dapat memengaruhi generalisasi. Namun, hasilnya mendukung kelayakan penerapan modul serupa pada jenis keterbatasan latihan lain dan populasi yang lebih besar. Penelitian selanjutnya harus memvalidasi model secara prospektif dan mengeksplorasi integrasinya ke dalam praktik klinis untuk meningkatkan presisi diagnostik dan penatalaksanaan pasien.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten member…