Dalam beberapa tahun terakhir, penyakit jantung masih menjadi penyebab kematian utama di seluruh dunia, termasuk di Indonesia. Di antara berbagai kondisi jantung, myocardial infarction (MI) merupakan salah satu bentuk penyakit jantung koroner yang paling umum. Deteksi dini MI sangat penting untuk mencegah komplikasi yang lebih parah, termasuk kematian mendadak. Salah satu metode efektif untuk mendeteksi infark miokard adalah melalui analisis sinyal elektrokardiogram (EKG).
Integrasi teknologi kecerdasan buatan (AI) telah secara signifikan memajukan klasifikasi penyakit jantung berdasarkan sinyal EKG. Namun, interpretabilitas hasil keputusan dari model pembelajaran mesin sangat penting untuk memastikan kepercayaan dan validitas klinis.
Penelitian ini, yang dilakukan oleh Farhatul Fityah, bertujuan untuk mengevaluasi interpretabilitas model machine learning sederhana berbasis rule dalam klasifikasi myocardial infarction secara kualitatif oleh cardiologist.
Farhatul Fityah atau yang akrab disapa Tya adalah Mahasiswa Magister Teknik Biomedis untuk menyusun menjadi sebuah tesis yang berjudul Evaluasi Interpretabilitas Rule-Based Classifier dalam Klasifikasi Myocardial Infarction Berdasarkan Fitur Sintaksis Sinyal EKG, dan berhasil lulus dengan predikat cumlaude pada 31 januari 2025
Tya meneliti ini dari Januari hingga Juli 2024 di Program Magister Teknik Biomedis UGM, dan berfokus pada perbandingan aturan yang dihasilkan oleh berbagai classifier. Classifier yang dievaluasi meliputi Rough Set, Decision Tree, dan RIPPER. Kriteria evaluasi didasarkan pada kompleksitas aturan dan validasi klinis.
Proses validasi dirancang untuk memastikan bahwa keputusan mesin sejalan dengan pengetahuan klinis dan praktik medis dalam mendeteksi myocardial infarction melalui sinyal EKG. Hasil evaluasi model menunjukkan bahwa model Rough Set mencapai akurasi tertinggi, dengan aturan yang lebih kompleks dibandingkan dengan model Decision Tree dan RIPPER.
Validasi klinis terhadap aturan menunjukkan bahwa model Rough Set memiliki kemampuan klasifikasi myocardial infarction yang dominan, dengan tingkat akurasi mencapai 80% saat didiagnosis berdasarkan aturan klinis. Temuan ini menekankan pentingnya interpretabilitas dalam model machine learning, terutama di bidang medis, di mana kepercayaan terhadap teknologi sangat penting.
Implikasi dari penelitian ini melampaui kepentingan akademis; penelitian ini berkontribusi pada tujuan yang lebih luas dari Sustainable Development Goals (SDGs), khususnya dalam memastikan akses terhadap obat-obatan yang terjangkau dan pendidikan. Dengan meningkatkan akurasi dan interpretabilitas alat diagnostik, penyedia layanan kesehatan dapat menawarkan layanan yang lebih baik, yang pada akhirnya mengarah pada hasil kesehatan yang lebih baik.
Seiring dengan kemajuan penelitian ini, diharapkan temuan ini akan membuka jalan bagi aplikasi AI yang lebih andal dalam kardiologi, meningkatkan kemampuan untuk mendeteksi myocardial infarction secara dini dan akurat. Kemajuan ini sangat penting di negara seperti Indonesia, di mana penyakit jantung tetap menjadi tantangan kesehatan yang signifikan.
Sebagai kesimpulan, evaluasi rule-based classifier dalam klasifikasi myocardial infarction tidak hanya menyoroti potensi AI dalam kesehatan, tetapi juga menekankan perlunya interpretabilitas dalam model machine learning. Penelitian ini berfungsi sebagai batu loncatan menuju solusi kesehatan yang lebih baik dan sejalan dengan komitmen global untuk meningkatkan kesehatan dan kesejahteraan bagi semua.
Penulis : Arni Wistriatun
Editor : Dr. Rini Dharmastiti
