Peran Kecerdasan Buatan dalam Kedokteran Kardiovaskular

Peran Kecerdasan Buatan dalam Kedokteran Kardiovaskular – Artificial Intelligence (AI) atau program kecerdasan buatan mungkin berpotensi membawa kemajuan signifikan dalam dunia medis, termasuk di bidang penyakit kardiovaskular.

Peran Kecerdasan Buatan dalam Kedokteran Kardiovaskular

newweblabz – Kecerdasan buatan telah banyak dipelajari dan diterapkan dalam praktik medis dalam satu dekade terakhir, misalnya dalam diagnosis kanker dan retinopati diabetik. Hingga saat ini, kecerdasan buatan telah diterapkan pada diagnosis, pengelolaan, dan prediksi risiko penyakit, yang memudahkan pekerjaan klinik dengan menginterpretasikan hasil tertentu secara lebih cepat dan efisien.

Seiring berjalannya waktu, teknologi AI akan terus berkembang dan perannya dalam pengobatan kardiovaskular, khususnya pencitraan, diperkirakan akan semakin meningkat.

Dasar-dasar penggunaan kecerdasan buatan dalam pengobatan

Kecerdasan buatan dapat diterapkan dalam bidang medis dan dalam diagnosis, pengobatan, dan prediksi risiko. Kecerdasan buatan diharapkan mampu:

• membantu dokter mendiagnosa penyakit dan mengoptimalkan proses penatalaksanaan
• mengurangi jumlah kesalahan diagnosa dan meningkatkan efisiensi diagnostik
• mengidentifikasi hasil pencitraan dan memberikan informasi diagnostik pencitraan yang lebih akurat
  memberikan lebih banyak 444 hasil prognostik yang akurat analisis untuk pasien melalui analisis big data
• Penelitian farmasi dan dukungan pengembangan obat baru

Beberapa aspek kecerdasan buatan telah dikembangkan dalam bidang kedokteran, khususnya untuk penyakit kardiovaskular, termasuk pembelajaran mesin, pembelajaran mendalam, dan komputasi kognitif.

Pembelajaran mesin (ML) mencakup berbagai teknik untuk memecahkan masalah kompleks menggunakan data besar dengan mengidentifikasi pola interaksi antar variabel. ML menggunakan perangkat lunak yang memungkinkan komputer memeriksa data, mengenali pola, dan mengambil keputusan. Metode ini sering digunakan dalam pemeriksaan radiologi dengan teknologi kecerdasan buatan.

Pembelajaran mendalam (DL) adalah bagian dari ML yang mencoba meniru cara otak manusia memproses data dan membuat model untuk mengambil keputusan. DL memiliki aplikasi potensial dalam pencitraan kardiovaskular seperti ekokardiografi pelacakan spekel 2D, ekokardiografi pelacakan spekel 3D, angiografi, dan resonansi magnetik jantung. DL juga dapat dilatih untuk melakukan tugas pembelajaran tanpa pengawasan seperti interaksi obat baru.

Peran kecerdasan buatan dalam pencitraan kardiovaskular

Kecerdasan buatan paling sering digunakan dalam studi radiologi atau pencitraan. Di bidang penyakit kardiovaskular, AI dapat menyederhanakan alur kerja dokter dengan menafsirkan hasil tertentu secara lebih cepat dan efisien. Berikut ini penjelasan penggunaan kecerdasan buatan dalam beberapa studi pencitraan jantung.

Ekokardiografi

Ekokardiografi merupakan pemeriksaan radiologi yang paling sering digunakan dalam pemeriksaan kardiovaskular. Dengan kecerdasan buatan, algoritma ML dapat mengurangi waktu evaluasi dengan melakukan beberapa perhitungan otomatis pada hasil ekokardiografi. Selain itu, terdapat juga algoritma ML yang secara otomatis dapat mendeteksi batas endokardial serta mengukur volume dan fungsi ventrikel kiri.

Dalam penelitian Asch et al., algoritma ML dilatih untuk memperkirakan fraksi ejeksi ventrikel kiri (LVEF) dari database lebih dari 50.000 hasil ekokardiografi, kemudian algoritma tersebut diuji untuk memperkirakan fraksi ejeksi pada 99 pasien.

Asch dkk membandingkan hasil evaluasi ini dengan rata-rata hasil yang dievaluasi oleh tiga ahli dengan menggunakan metode konvensional. Hasilnya, nilai fraksi ejeksi yang dihasilkan AI sangat konsisten dan sesuai dengan hasil klinis.

Salah satu komponen yang dinilai pada ekokardiogram adalah ketegangan jantung, yaitu pemendekan dan penebalan miokard, yang mengukur fungsi ventrikel kiri regional.

Parameter stres jantung digunakan untuk mengklasifikasikan gagal jantung dengan fenotip fraksi ejeksi yang diawetkan (HFpEF) dalam studi yang dilakukan oleh Tabassia et al. Hasilnya, model AI berhasil memprediksi risiko rawat inap, intoleransi aktivitas, dan tekanan pengisian ventrikel kiri pada pasien HFpEF.[5] Algoritme

ML juga dapat membantu penilaian dan pengobatan penyakit katup jantung. Costa et al menggunakan DL untuk mensegmentasi katup mitral pada gambar sumbu panjang parasternal (PLAX) dan gambar ventrikel apikal 4. Selain itu, Wang dkk saat ini sedang menyelidiki penggunaan ML untuk memperkirakan aliran masuk mitral dan aliran keluar aorta. Saat ini penggunaan ML untuk hal tersebut masih dalam tahap awal.

Baca juga : Tips Busana Kasual Wanita yang Modis 

Computed Tomography (CT)

Penggunaan algoritma ML dapat mempercepat dan mengotomatiskan berbagai proses sehingga memperluas cakupan CT scan jantung Nilai diagnostik CT scan jantung yang tinggi.

Pada pasien yang menjalani pemindaian kalsium arteri koroner (CAC), pengukuran otomatis skor CAC, jaringan adiposa epikardial (MANTA), dan ruang jantung diintegrasikan ke dalam laporan klinis rutin, sehingga mengurangi beban kerja bagi dokter dan teknisi.

Pada pasien yang menjalani angiografi tomografi komputer koroner (CCTA), AI dapat dengan cepat dan akurat menghitung tingkat keparahan stenosis anatomis dan fungsional.

CT Fractional Flow Reserve (CT-FFR) baru-baru ini muncul sebagai pilihan non-invasif untuk diagnosis nyeri dada. Meskipun penggunaannya masih dalam tahap awal, CT-FFR merupakan salah satu metode untuk evaluasi anatomi dan fungsional jantung. Dalam hal ini, algoritma ML dapat menghitung FFR tanpa menggunakan komputasi dinamika fluida dan memberikan informasi prediktif tambahan.

Kecerdasan Buatan dalam Kedokteran

Pencitraan resonansi magnetik

Pencitraan resonansi magnetik jantung (CMR) saat ini dipromosikan sebagai standar emas untuk penilaian non-invasif terhadap fraksi ejeksi dan volume ventrikel kiri. CMR juga dapat menentukan sifat jaringan jantung, yang kemudian menentukan pengobatan sesuai kondisinya.

Seperti ekokardiografi, strain merupakan biomarker yang dapat dinilai dengan CMR namun memerlukan analisis yang panjang. Menariknya, proses ini bisa dipersingkat dengan menggunakan algoritma ML.

Ruijsink dkk menemukan korelasi yang sangat tinggi antara algoritme jaringan saraf konvolusional (CNN) dan analisis manual volume ventrikel kiri dan kanan, distensi serta volume pengisian dan ejeksi CMR.

Studi lain yang dilakukan Winter dkk menunjukkan bahwa kinerja DL dapat menyamai atau bahkan melampaui segmentasi ahli manusia dalam segmentasi endokardium dan epikardium ventrikel kanan dan kiri.

Bhuva dkk melakukan penelitian yang melakukan pemindaian CMR: pemindaian ulang pada total 101 pasien. Selanjutnya, pengukuran volume, massa, dan fraksi ejeksi ventrikel kiri setiap pasien dibandingkan.

Penelitian Bhuvan et al ini kemudian membandingkan hasil pengukuran oleh dokter berpengalaman dan muda dengan pengukuran yang dilakukan dengan metode kecerdasan buatan menggunakan algoritma CNN yang bekerja sepenuhnya otomatis setelah pelatihan 599 kasus. Hasilnya, nilai terukur ketiga pihak sama akuratnya. Namun, kecerdasan buatan mampu melakukan analisis 186 kali lebih cepat dibandingkan manusia.