Jadwal Sholat

Memuat jadwal sholatโ€ฆ

Editorial Ilmu Komputer & AI

Open AccessOA2023

Analitik Prediktif Layanan Kesehatan Menggunakan Machine Learning dan Deep Learning: Sebuah Survei

Survei ini mengkaji teknik machine learning dan deep learning untuk analitik prediktif layanan kesehatan, menyoroti potensinya dalam meningkatkan akurasi prediksi penyakit dan menyelamatkan nyawa, sekaligus mengidentifikasi hambatan yang melekat pada adopsinya di lingkungan klinis.
Mohammed Badawy; Nagy Ramadan; H. Hefnyยท Journal of Electrical Systems and Information Technologyยท 2023ยท DOI 10.1186/s43067-023-00108-y

Masalah inti

Prediksi di bidang layanan kesehatan telah menjadi faktor krusial dalam menyelamatkan nyawa dalam beberapa tahun terakhir. Perkembangan pesat sistem cerdas untuk menganalisis hubungan data yang kompleks dan mengubahnya menjadi informasi yang dapat ditindaklanjuti telah merevolusi industri layanan kesehatan. Kecerdasan artifisial, khususnya machine learning (ML) dan deep learning (DL), memungkinkan terciptanya sistem yang mendiagnosis dan memprediksi penyakit dari data klinis atau citra medis. Sistem ini memberikan dukungan klinis yang sangat besar dengan meniru persepsi manusia dan bahkan dapat mendiagnosis penyakit yang sulit dideteksi oleh kecerdasan manusia. Namun, akurasi prediksi penyakit sangatlah penting: prediksi yang akurat dan tepat waktu dapat menyelamatkan nyawa, sedangkan prediksi yang salah dapat membahayakan pasien. Oleh karena itu, metode yang andal dan efisien untuk analisis prediktif layanan kesehatan sangat diperlukan. Makalah ini bertujuan menyajikan survei komprehensif atas pendekatan ML dan DL yang ada yang digunakan dalam prediksi layanan kesehatan dan mengidentifikasi hambatan yang melekat dalam menerapkan pendekatan tersebut di domain layanan kesehatan.

Inovasi

Para penulis melakukan survei sistematis terhadap literatur tentang teknik machine learning dan deep learning yang diterapkan pada analitik prediktif layanan kesehatan. Survei ini mencakup beragam studi, dengan mengategorikannya berdasarkan jenis data (misalnya, data klinis, citra medis) dan tugas prediksi (misalnya, diagnosis penyakit, prognosis). Makalah ini meninjau berbagai algoritma ML seperti support vector machines, decision trees, random forests, dan arsitektur deep learning termasuk convolutional neural networks (CNNs) dan recurrent neural networks (RNNs). Metodologi ini melibatkan analisis kekuatan dan batasan setiap pendekatan, serta tantangan yang terkait dengan implementasinya di lingkungan layanan kesehatan dunia nyata. Survei ini juga membahas metrik evaluasi dan pentingnya interpretabilitas serta keandalan model.
Pendahuluan
Prediksi di bidang layanan kesehatan telah menjadi faktor krusial dalam menyelamatkan nyawa dalam beberapa tahun terakhir. Perkembangan pesat sistem cerdas untuk menganalisis hubungan data yang kompleks dan mengubahnya menjadi informasi yang dapat ditindaklanjuti telah merevolusi industri layanan kesehatan. Kecerdasan artifisial, khususnya machine learning (ML) dan deep learning (DL), memungkinkan terciptanya sistem yang mendiagnosis dan memprediksi penyakit dari data klinis atau citra medis. Sistem ini memberikan dukungan klinis yang sangat besar dengan meniru persepsi manusia dan bahkan dapat mendiagnosis penyakit yang sulit dideteksi oleh kecerdasan manusia. Namun, akurasi prediksi penyakit sangatlah penting: prediksi yang akurat dan tepat waktu dapat menyelamatkan nyawa, sedangkan prediksi yang salah dapat membahayakan pasien. Oleh karena itu, metode yang andal dan efisien untuk analisis prediktif layanan kesehatan sangat diperlukan. Makalah ini bertujuan menyajikan survei komprehensif atas pendekatan ML dan DL yang ada yang digunakan dalam prediksi layanan kesehatan dan mengidentifikasi hambatan yang melekat dalam menerapkan pendekatan tersebut di domain layanan kesehatan.

Mengapa penting

Makalah ini membahas beberapa hambatan yang melekat pada adopsi luas ML dan DL di layanan kesehatan. Hambatan tersebut meliputi: (1) kekhawatiran privasi dan keamanan data, karena data layanan kesehatan bersifat sensitif dan tunduk pada regulasi yang ketat; (2) kebutuhan akan dataset besar yang beranotasi, yang sering kali sulit diperoleh; (3) sifat 'black-box' model deep learning, yang membatasi interpretabilitas dan kepercayaan di kalangan klinisi; (4) risiko bias dalam data pelatihan yang menyebabkan disparitas prediksi antar kelompok demografis yang berbeda; dan (5) tantangan mengintegrasikan model prediktif ke dalam sistem pendukung keputusan klinis yang ada. Para penulis menekankan bahwa mengatasi tantangan ini memerlukan kolaborasi interdisipliner antara ilmuwan data, klinisi, dan pembuat kebijakan. Mereka juga menyarankan arah penelitian masa depan, seperti pengembangan teknik explainable AI (XAI), federated learning untuk pelatihan model yang menjaga privasi, dan penggunaan data sintetis untuk memperbanyak dataset yang terbatas. Survei ini menyimpulkan bahwa meskipun ML dan DL memiliki janji besar untuk meningkatkan hasil layanan kesehatan, pertimbangan cermat terhadap implikasi etis, hukum, dan sosial sangat penting untuk penerapan yang bertanggung jawab.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten memberโ€ฆ