Selama 2 tahun terakhir, dunia berada di era pandemi karena Covid-19. Meski kini kondisinya sudah lebih baik, namun varian baru Covid masih terus bermunculan. Dokter bekerja 24x7 untuk mengatasi masalah ini. Selain Covid, masih ada penyakit lain yang membutuhkan dokter, tapi adakah solusi yang bisa memudahkan tugas dokter? Ya, ada Kecerdasan Buatan. Tapi apa itu AI? dan bagaimana cara menggunakannya dalam bidang medis?

AI adalah cabang ilmu komputer yang luas yang berkaitan dengan pembuatan mesin cerdas yang mampu melakukan tugas-tugas yang biasanya memerlukan kecerdasan manusia. Ilmu kedokteran banyak memanfaatkan sistem komputer dengan kecerdasan buatan. Kegunaan umum termasuk perawatan pasien jarak jauh, transkripsi resep, peningkatan komunikasi dokter-pasien, penemuan dan pengembangan obat dari awal hingga akhir, dan diagnosis pasien.

Latar Belakang Penelitian

Menurut survei yang dilakukan Deloitte terhadap 1.100 perusahaan AS yang menggunakan Kecerdasan Buatan. Dengan AI, Anda dapat meningkatkan aspek organisasi industri Anda. Perawat reguler AS menghabiskan 25% jam kerja mereka untuk pekerjaan regulasi dan administratif. Teknologi ini memudahkan untuk mengambil alih tugas-tugas rutin seperti penagihan, manajemen siklus pendapatan, dokumen klinis, dan manajemen catatan.

Dalam studi Harvard Business Review lainnya, lebih dari 300 eksekutif medis dan klinis mengatakan mereka memiliki masalah dalam keterlibatan pasien. Lebih dari 70% individu yang disurvei mengatakan bahwa kurang dari separuh pasien sangat terlibat dalam proses pengobatan, dan 42% subjek yang disurvei mengatakan bahwa kurang dari seperempat pasien sangat terlibat. Meningkatkan keterlibatan pasien pasti akan menghasilkan hasil kesehatan pasien yang lebih baik. Pembelajaran mesin dapat memberikan peringatan pesan otomatis dan konten bertarget relevan yang memicu tindakan pada saat-saat kritis. Secara umum, ada banyak cara AI dapat mempersonalisasi dan meningkatkan proses pengobatan.

Salah satu kegunaan terbaik kecerdasan buatan untuk perawatan medis adalah sistem bot yang sangat menyederhanakan waktu perawatan. Perawat-pasien virtual bertindak sebagai asisten kesehatan yang dikontrol suara yang memberikan informasi tentang banyak penyakit, masalah kesehatan, dan pengobatan. Insinyur data mengerjakan solusi untuk semua aktivitas medis yang tidak hanya mencakup pemantauan kesehatan secara umum tetapi juga pengobatan dan pencegahan penyakit.

Adanya model kecerdasan buatan memiliki sejumlah manfaat, antara lain:

  • Penilaian retinopati diabetik otomatis, yang meningkatkan efisiensi dan mempercepat diagnosis pasien.
  • Memberikan opini kedua bagi dokter mata.
  • Deteksi dini retinopati diabetik berkat kemampuan model untuk menganalisis gambar pada tingkat granular, sesuatu yang tidak dapat dilakukan oleh dokter mata manusia.
  • Berbagai inisiatif penyaringan yang mengurangi hambatan masuk.

Dalam industri perawatan kesehatan, teknologi kecerdasan buatan juga digunakan untuk meningkatkan perawatan pasien, dan pengalaman pasien, serta menawarkan bantuan kepada dokter melalui penggunaan asisten AI. Perusahaan seperti BotMD telah mengembangkan sistem yang dapat membantu masalah terkait klinis yang berkaitan dengan:

  • Sistem AI dapat dengan cepat menentukan dokter mana yang siap dihubungi dan membuat janji temu berikutnya; itu juga dapat memindai beberapa sistem penjadwalan di berbagai institusi.
  • Menjawab pertanyaan tentang resep, seperti ketersediaan obat dan alternatif yang terjangkau.
  • Menggunakan aplikasi ponsel pintar untuk membantu dokter menemukan kebijakan rumah sakit, daftar alat klinis yang tersedia, dan obat-obatan yang tersedia dapat meningkatkan alur kerja rumah sakit.

Penerapan AI di bidang medis

Penerapan AI dalam bidang kedokteran tidak ada habisnya dan tidak dapat dicakup dalam satu blog. Berikut adalah beberapa aplikasi yang disebutkan di bawah ini

  • Diagnosis melalui analisis Gambar

Berikut adalah dua contoh penerapan algoritma yang tepat dan berguna secara terapeutik saat ini yang dapat membantu pasien dan dokter dengan menyederhanakan diagnosis.

Algoritme pertama hanyalah salah satu dari beberapa contoh algoritme yang ada yang memiliki kinerja lebih baik daripada dokter dalam pekerjaan kategorisasi gambar. Para peneliti di Rumah Sakit Universitas Nasional Seoul dan Fakultas Kedokteran menciptakan sistem AI DLAD (Deep Learning-based Automatic Detection) pada musim gugur tahun 2018 untuk menganalisis rontgen dada dan menemukan perkembangan sel yang menyimpang, seperti kemungkinan kanker. Pada kumpulan foto yang sama, sistem ini mengungguli 17 dari 18 dokter ketika kinerjanya dibandingkan dengan keterampilan mendeteksi dokter yang berbeda.

Algoritme kedua dikembangkan oleh peneliti Google AI Healthcare pada musim gugur 2018, yang mengembangkan LYNA (Lymph Node Assistant), sebuah sistem pembelajaran yang memeriksa sampel jaringan yang diwarnai dengan slide histologi untuk mengenali tumor kanker payudara metastatik dari biopsi kelenjar getah bening. Meskipun ini bukan penerapan AI pertama yang melakukan analisis histologis, penting untuk dicatat bahwa sistem ini mampu mengidentifikasi titik masalah dalam sampel biopsi yang diberikan yang tidak dapat dibedakan dari mata manusia. Pada dua kumpulan data, LYNA diuji, dan 97% berhasil mengidentifikasi sampel sebagai sampel ganas atau non-kanker. Selain itu, LYNA memotong setengah waktu menonton slide saat digunakan bersama dengan analisis reguler dokter terhadap sampel jaringan yang diwarnai.

  • Prediksi titik api Covid-19 menggunakan Pelacakan Kontak

Instansi pemerintah memanfaatkan pelacakan kontak sebagai strategi pencegahan penyakit untuk menghentikan penyebaran penyakit. Pelacakan kontak dilakukan dengan menghubungi, mendidik, dan memerintahkan mereka yang pernah terpapar dengan orang yang tertular penyakit untuk mengkarantina diri guna menghentikan penyebaran penyakit. Menurut Apple Newsroom, raksasa teknologi Google dan Apple telah bekerja sama untuk mengembangkan platform pelacakan kontak yang akan menggunakan kecerdasan buatan melalui penggunaan antarmuka pemrograman aplikasi, atau API, sebagaimana dikenal di perangkat seluler. Pengguna yang ingin mendaftar di platform akan dapat melaporkan temuan lab mereka. Platform ini kemudian dapat menjangkau semua orang yang mungkin dekat dengan orang yang terinfeksi berkat layanan lokasi.

  • Pengembangan dan penemuan narkoba

Pembelajaran mendalam di bidang kedokteran dapat menghasilkan struktur kimia baru dan mempercepat proses penemuan obat. Ini telah digunakan bersama dengan metode berbasis ML lainnya untuk mengevaluasi fitur aktivitas biologis, penyerapan, distribusi, metabolisme, dan ekskresi (ADME) untuk memilih molekul dengan karakteristik fisikokimia dan biologis yang menguntungkan.

Program druGAN adalah ilustrasi yang bagus tentang penerapan ML dalam perawatan kesehatan. Berdasarkan kualitas obat antikanker yang telah ditentukan, penelitian ini bertujuan untuk menghasilkan sidik jari molekuler baru dan desain obat yang menggabungkan atribut yang diperlukan. Ini telah menunjukkan kemajuan nyata dalam menciptakan desain obat baru dengan fitur-fitur tertentu.

  • Manajemen Rekam Medis

Waktu dokter mana pun banyak dihabiskan untuk pencatatan. Namun, ML dalam layanan kesehatan dapat mengatasi masalah ini. Hal ini dapat membebaskan dokter dari berbagai aktivitas berulang bersama dengan pemrosesan bahasa alami (NLP), salah satu cabang AI. Misalnya, algoritme NLP dapat mengubah ucapan manusia selama kunjungan pasien menjadi teks, sehingga dokter tidak perlu memasukkan catatan klinis secara manual. Selain itu, dengan membuka data berharga yang tidak terstruktur dari EHR, NLP, dan algoritma pengenalan karakter optik (OCR) dapat memungkinkan dokter memanfaatkan data ini untuk analisis dan pengambilan keputusan. Selain itu, algoritme ini dapat mengatur dan mengurutkan dokumentasi klinis, sehingga lebih cocok untuk pembelajaran mesin.

Bisnis Belanda MedInReal, yang menawarkan asisten perawatan virtual untuk dokter berdasarkan AI, adalah contoh yang bagus. Mereka dapat memperbarui EHR menggunakan kemampuan NLP dan mengotomatiskan prosedur yang membosankan. Ia menggunakan pembelajaran mesin untuk mengidentifikasi komponen data terstruktur dan memeriksa apakah komponen tersebut sesuai dengan istilah medis. Ilustrasi lainnya adalah “Cloud Vision API Google”, yang telah menggunakan teknologi pengenalan tulisan tangan untuk mengatur data dalam catatan kesehatan elektronik.

  • Pelacakan tren kesehatan mental

Mempelajari dan memprediksi masalah kesehatan mental secara global atau di antara kelompok demografi tertentu adalah salah satu penerapan pembelajaran mesin dalam layanan kesehatan. Kelompok demografis yang lebih rentan terhadap pemicu stres seperti pandemi atau bencana alam dapat diidentifikasi oleh spesialis kesehatan mental menggunakan hasil penyelidikan ini.

Misalnya, dengan meneliti bahasa yang digunakan orang-orang untuk menyampaikan kekhawatiran mereka secara online, para peneliti dari MIT dan Universitas Harvard menggunakan pembelajaran mesin untuk mengukur dampak pandemi global terhadap kesehatan mental. Mereka menemukan bahwa subjek yang terkait dengan bunuh diri dan kesepian meningkat hampir dua kali lipat setelah algoritme pembelajaran mesin mereka memeriksa 800.000 pesan Reddit. Hasilnya mungkin memudahkan psikiater untuk mengenali dan membantu mereka yang membutuhkan kesehatan mental.

  • Bedah Robotik

Masih terlalu dini untuk membahas robot yang melakukan semua prosedur pembedahan, namun robot dapat banyak membantu dokter dalam memanipulasi instrumen bedah dan melakukan pekerjaan tertentu. Otomatisasi penjahitan, evaluasi keterampilan bedah, dan penyempurnaan pemodelan alur kerja semuanya telah dicapai dengan penggunaan pembelajaran mesin.
Misalnya saja, robot otonom jaringan pintar (STAR) dari Universitas Johns Hopkins telah membuktikan bahwa ia dapat melakukan hal tersebut. tugas bedah seperti menjahit dan mengikat simpul lebih baik daripada ahli bedah manusia.

Perusahaan yang Menggunakan AI dalam Ilmu Kedokteran

Keterbatasan Kecerdasan Buatan dalam Ilmu Kedokteran

  • Membuat model yang bias

Data disisihkan untuk pengujian sementara sebagian dari data yang diperoleh digunakan untuk melatih sistem kecerdasan buatan (juga dikenal sebagai kumpulan data pelatihan) (juga dikenal sebagai kumpulan data pengujian). Oleh karena itu, model akhir akan menjadi bias jika datanya tidak tepat, yaitu jika model tersebut menargetkan ras, jenis kelamin, atau kelompok umur tertentu. Oleh karena itu, populasi yang menjadi tujuan penggunaan data tersebut harus secara akurat mencerminkan data yang diperoleh.

  • Pemrosesan Awal Data

Masih dimungkinkan untuk mengembangkan model yang bias bahkan setelah data objektif telah dikumpulkan. Sebelum data dapat digunakan untuk melatih suatu algoritma, data tersebut harus diproses terlebih dahulu. Data yang dimasukkan secara manual atau sejumlah faktor lainnya dapat menyebabkan ketidakakuratan pada data mentah yang telah dikumpulkan. Entri-entri ini kadang-kadang diubah secara matematis dibenarkan atau dihilangkan seluruhnya. Persiapan data harus dihindari dengan hati-hati untuk mencegah terciptanya kumpulan data yang bias.

  • Data Terfragmentasi

Ketidakmampuan untuk melakukan transisi model secara mulus (seperti regresi, klasifikasi, pengelompokan, dan NLP) yang memerlukan waktu dan upaya oleh satu organisasi untuk merancang dan menerapkan tugas tertentu ke organisasi lain untuk segera digunakan tanpa kalibrasi ulang adalah keterbatasan lain dalam penerapan AI. Pertukaran data antar perusahaan layanan kesehatan sering kali tidak tersedia atau terhambat karena masalah privasi, sehingga menyebabkan data terfragmentasi sehingga mengurangi keakuratan model.

  • Kotak Hitam

Karena kompleksitas proses matematika yang mendasarinya, sistem kecerdasan buatan mempunyai reputasi sebagai “kotak hitam”. Penting untuk meningkatkan kegunaan dan interpretasi model. Meskipun terdapat kemajuan baru-baru ini dalam bidang ini, masih banyak pekerjaan yang harus dilakukan.

Kesimpulan

Meskipun kita masih jauh dari mewujudkan AI, AI mempunyai potensi untuk membantu banyak permasalahan utama dalam layanan kesehatan. Data merupakan permasalahan dan hambatan besar dalam mewujudkan hal ini. Tanpa data yang cukup dan terwakili dengan baik, kita tidak dapat sepenuhnya memanfaatkan AI dalam layanan kesehatan, tidak peduli seberapa inovatif teknologi dan algoritma pembelajaran mesinnya. Sektor layanan kesehatan harus mendigitalkan rekam medis, mencapai kesepakatan mengenai standardisasi arsitektur data, dan mengembangkan mekanisme yang sangat mudah untuk menangani persetujuan data pasien dan mengamankan anonimitas pasien. Sulit mewujudkan janji nyata AI untuk meningkatkan kesehatan manusia tanpa reformasi dan kolaborasi signifikan di sektor layanan kesehatan.

Terima kasih telah membaca postingan ini sampai akhir. Jika Anda menyukai postingan ini, tepuk tangan, beri komentar, dan bagikan ke teman-teman Anda.

Referensi