Editorial Ilmu Komputer & AI
Memprediksi Ketidakhadiran dan Waktu Tunggu yang Diperpanjang pada Pencitraan Diagnostik Pediatrik dengan LLM, Regresi, dan Model Berbasis Pohon
Masalah inti
Pasien yang tidak hadir merupakan mode kegagalan operasional yang terus-menerus terjadi di radiologi diagnostik dan intervensi: ruang pemindaian, teknolog, dan slot sedasi tetap menganggur sementara pasien yang paling membutuhkan pencitraan menunggu lebih lama untuk akses. Para penulis membingkai masalah ini sebagai dua sisi. Di sisi penyedia, janji temu yang terlewat menghasilkan sumber daya yang menganggur dan gangguan pada kaskade penjadwalan; di sisi pasien, waktu tunggu yang diperpanjang menimbulkan frustrasi dan meninggalkan kesan negatif terhadap episode perawatan itu sendiri, yang sangat berdampak dalam pengaturan pediatrik di mana kecemasan prosedural anak dan beban logistik keluarga sudah meningkat.
Studi ini berlokasi di Hospital for Sick Children (SickKids) di Toronto, ON, Kanada, dan dengan sengaja mencakup **tiga modalitas** janji temu radiologi diagnostik dan intervensi. Tujuan yang dinyatakan bukan sekadar akurasi prediktif secara abstrak, tetapi survei praktis metode pembelajaran mesin yang paling baik memperkirakan risiko (a) pasien tidak hadir dan (b) waktu tunggu lama yang melebihi **1 jam**, sehingga tim penjadwalan dapat mengusulkan akomodasi hilir yang ditar
Inovasi
Untuk **prediksi ketidakhadiran**, XGBoost menghasilkan kombinasi terbaik dari diskriminasi dan kinerja yang bergantung pada ambang, dengan **AUC 0,96** dan **skor 0,62**. AUC yang tinggi menunjukkan kemampuan pemeringkatan yang kuat — model memisahkan mereka yang kemungkinan hadir dari yang kemungkinan tidak hadir di seluruh rentang ambang keputusan — sementara yang lebih moderat pada titik operasi default mencerminkan kesulitan intrinsik dalam mengubah pemeringkatan tersebut menjadi panggilan biner yang tepat di bawah ketidakseimbangan kelas. Kesenjangan AUC/ ini justru alasan mengapa eksperimen penyeimbangan (IHT, pembobotan kelas) dan pemeriksaan kalibrasi penting secara operasional: tim penjadwalan mengonsumsi probabilitas, bukan pemeringkatan abstrak.
Untuk **prediksi waktu tunggu** (tunggu melebihi 1 jam), **Random Forest** mencapai kombinasi terbaik, dengan **AUC 0,83** dan **skor 0,61**. AUC yang lebih rendah relatif terhadap tugas ketidakhadiran konsisten dengan target yang lebih sulit dan lebih heterogen: waktu tunggu dibentuk oleh variabilitas operasional hari-H — pergantian ruangan, persyaratan sedasi, kasus urgensi tambahan, penundaan transportasi — yang s
Mengapa penting
Argumen paling konsekuensial dalam makalah ini bukan tentang model mana yang menang, tetapi tentang **fitur mana yang membawa sinyal**. Di seluruh studi komparatif, data kontekstual janji temu terbukti lebih penting daripada fitur demografis pasien untuk algoritma prediksi yang lebih adil. Demografi adalah masukan yang paling mungkin menyandikan ketidakadilan struktural dan dibatasi secara hukum atau etis dalam penerapan klinis; jika variabel penjadwalan kontekstual dapat menyerap sebagian besar beban prediktif, model menjadi lebih dapat dipertahankan dan, secara masuk akal, lebih tangguh terhadap pergeseran distribusi di seluruh populasi pasien. Ini adalah klaim keadilan melalui konstruksi: keadilan dikejar dengan mengubah representasi masukan, bukan hanya dengan penyesuaian ambang pasca-hoc.
Argumen kedua menyangkut metodologi untuk LLM pada data operasi klinis tabular. Para penulis menerapkan metodologi unik untuk menerapkan LLM yang telah dilatih sebelumnya pada data heterogen dalam domain ini dan menunjukkan bahwa data kontekstual kontinu — bukan riwayat kategorikal statis — adalah yang mendorong peningkatan 51% pada prediksi waktu tunggu. Ini menunjukkan bahwa keunggulan LLM bukanlah penalaran bahasa serbaguna tetapi representasi konteks janji temu yang lebih kaya dan lebih kontinu daripada yang dapat diungkapkan oleh vektor tabular 20 fitur.
Ketiga, perilaku kalibrasi dan ambang diperlakukan sebagai hasil kelas satu daripada renungan belakangan. Kekuatan LLM pada ambang probabilitas 90% berarti prediksi dengan keyakinan tinggi adalah yang akan digunakan tim penjadwalan untuk memicu akomodasi — tepatnya rezim di mana salah kalibrasi paling merusak. Penekanan para penulis pada ketahanan pada data uji yang tidak terlihat menunjukkan bahwa probabilitas yang dilaporkan dimaksudkan sebagai masukan literal, dan proposal penutup mengikuti secara langsung: keluaran prediktif, yang dinyatakan sebagai probabilitas peristiwa yang terkalibrasi, dapat digunakan sebagai **masukan stokastik untuk penjadwalan optimal berbasis risiko** untuk memberikan akomodasi bagi pasien yang kurang mungkin menerima akses berkualitas ke perawatan kesehatan. Kontribusinya karena itu adalah rantai penuh — pelatihan yang seimbang, pemilihan model spesifik tugas, keluaran probabilitas terkalibrasi, dan target optimisasi yang menyandikan keadilan akses.
Siapa yang sebaiknya membaca
Membuka konten member…