Publisher

UNKHAIRUNKHAIR

Journal International Journal Of Electrical Engineering And Intelligent ComputingInternational Journal Of Electrical Engineering And Intelligent Computing Abstract

Kardiopati kongenital (CHD) merupakan kelainan kongenital yang paling umum dan masih memberikan kontribusi signifikan terhadap angka morbiditas dan mortalitas neonatal. Metode tradisional berbasis data unimodal seperti ekokardiografi dan EKG sering kali tidak mampu menganalisis patologi jantung pada neonatus yang kompleks, multifungsi, dan multifaktorial. Penelitian ini mengusulkan kerangka kerja deep learning multimodal yang dapat dijelaskan, yang memanfaatkan empat sumber data klinis berbeda, yaitu video ekokardiogram, EKG, serta data fisiologis dan rekam medis elektronik (HER) terstruktur. Model yang diusulkan menggunakan arsitektur transformer late fusion berbasis self-attention yang juga menerapkan mekanisme self-attention. Model dilatih dan divalidasi menggunakan dataset acuan yang tersedia secara transparan dan dapat direproduksi (EchoNet-Dynamic, MIMIC-IV, PhysioNet Capnobase, dan MIT-BIH). Hasil menunjukkan peningkatan kinerja dibandingkan metode sebelumnya, dengan akurasi 93%, sensitivitas 95%, dan area di bawah kurva ROC sebesar 0,96. Melalui modul interpretabilitas, fitur-fitur yang berkontribusi terhadap indikator diagnostik diperlihatkan memiliki relevansi kritis dalam perawatan bayi neonatus. Selain itu, model menunjukkan konsistensi kinerja yang tinggi di berbagai sumber data dan perubahan kondisi. Penelitian ini mengilustrasikan pemanfaatan arsitektur deep learning yang dapat dijelaskan untuk otomasi deteksi dini kelainan jantung pada bayi baru lahir.

Conclusion

Model AI multimodal yang dikembangkan untuk mendiagnosis kardiopati kongenital (CHD) pada neonatus melampaui keterbatasan pendekatan unimodal dan multimodal sebelumnya.Dengan integrasi ekokardiografi, EKG, sinyal fisiologis, dan rekam medis elektronik (EHR), model mencapai akurasi 93%, sensitivitas 95%, dan AUC 0,96, menunjukkan kemampuan diagnostik yang sangat baik.Integrasi ini memperbaiki deteksi kelainan fungsional dan struktural terkait CHD, sehingga meningkatkan keandalan diagnosis dan relevansinya dalam praktik klinis, terutama untuk deteksi dini yang dapat menyelamatkan nyawa.

Future Research

Pertama, perlu dikembangkan penelitian untuk menguji kinerja model dalam studi klinis riil di berbagai fasilitas kesehatan dengan populasi neonatus yang bervariasi secara demografis dan geografis, guna mengevaluasi generalisasi dan keandalan model di dunia nyata. Kedua, perlu dilakukan studi untuk mengintegrasikan data genomik atau biomarker tambahan ke dalam model multimodal guna meningkatkan kemampuan deteksi CHD non-struktural dan memahami dasar biologis yang mendasarinya. Ketiga, perlu dikaji pengembangan pendekatan federated learning agar model dapat dilatih secara kolaboratif tanpa memindahkan data sensitif dari institusi asalnya, sehingga menjawab isu privasi dan memungkinkan penggunaan data yang lebih luas dari berbagai rumah sakit dengan latar belakang infrastruktur yang berbeda. Selain itu, penelitian lanjutan harus mengeksplorasi teknik optimasi seperti pruning atau quantization untuk mengurangi beban komputasi model agar dapat diimplementasikan di daerah dengan sumber daya terbatas. Penting juga untuk mengembangkan modul interpretabilitas yang lebih intuitif agar dokter dapat memahami alasan di balik prediksi model, yang pada akhirnya akan meningkatkan kepercayaan dan adopsi klinis. Penelitian juga sebaiknya mengevaluasi kemampuan model dalam memprediksi outcome jangka panjang pasien CHD berdasarkan data longitudinal. Integrasi data prenatal dan riwayat kehamilan secara lebih mendalam bisa menjadi arah studi berikutnya untuk mendeteksi risiko CHD sejak dini. Studi tentang bias algoritmik dalam model harus dilakukan untuk memastikan keadilan di berbagai kelompok populasi. Terakhir, penelitian bisa mengeksplorasi penggunaan model untuk skrining CHD secara rutin di unit perawatan neonatal yang belum memiliki akses ke spesialis jantung, guna menutup kesenjangan layanan kesehatan.

References

1. A Comprehensive Review on Synergy of Multi-Modal Data and AI Technologies in Medical Diagnosis. review... doi.org/10.3390/bioengineering11030219A Comprehensive Review on Synergy of Multi Modal Data and AI Technologies in Medical Diagnosis review doi 10 3390 bioengineering11030219
2. Deep Learning in Cardiology | IEEE Journals & Magazine | IEEE Xplore. deep learning cardiology ieee... doi.org/10.1109/RBME.2018.2885714Deep Learning in Cardiology IEEE Journals Magazine IEEE Xplore deep learning cardiology ieee doi 10 1109 RBME 2018 2885714

Metadata

File size	341.71 KB
Pages	13
DMCA	Report