Pengembangkan pendekatan machine learning untuk membantu memprediksi risiko Diabetes Mellitus (DM) pada perempuan dengan mempertimbangkan jumlah kehamilan berhasil dikembangkan oleh tim peneliti 51动漫 (UNAIR). Penelitian ini berangkat dari pentingnya deteksi dini DM, terutama pada populasi obstetri, karena kondisi tersebut dapat meningkatkan risiko komplikasi bagi ibu maupun bayi. Dengan memanfaatkan kecerdasan buatan, tim peneliti berupaya menghadirkan model prediksi yang dapat membantu tenaga kesehatan mengenali kasus berisiko lebih awal sehingga intervensi dapat dilakukan lebih cepat.
Berbeda dari banyak studi sebelumnya, penelitian ini tidak hanya memasukkan jumlah kehamilan sebagai salah satu variabel, tetapi juga membagi data ke dalam empat kategori kehamilan, yaitu nulligravida atau belum pernah hamil, primigravida atau hamil pertama, multigravida atau pernah hamil dua sampai empat kali, dan grand multigravida atau pernah hamil lima kali atau lebih. Pendekatan ini dipilih karena setiap kelompok memiliki karakteristik fisiologis dan tingkat risiko yang berbeda. Dengan pemisahan tersebut, model prediksi dapat disesuaikan dengan karakter tiap kelompok, bukan diperlakukan sebagai satu populasi yang seragam.
Penelitian ini menggunakan lima algoritma machine learning, yaitu Na茂ve Bayes, Support Vector Machine (SVM), K-Nearest Neighbor (KNN), Random Forest (RF), dan Artificial Neural Network (ANN). Data yang digunakan berasal dari Pima Indians Diabetes Database yang memuat 768 rekam medis perempuan, kemudian dikelompokkan menurut jumlah kehamilan. Selain variabel jumlah kehamilan, model juga memanfaatkan indikator medis lain seperti kadar glukosa, tekanan darah, ketebalan kulit, insulin, indeks massa tubuh, fungsi riwayat diabetes keluarga, dan usia. Sebelum masuk ke tahap pelatihan model, data terlebih dahulu diproses dengan imputasi nilai hilang, normalisasi, dan teknik SMOTE agar distribusi kelas menjadi lebih seimbang.
Yang menarik, penelitian ini lebih menekankan metrik recall dibanding sekadar akurasi. Dalam konteks kesehatan, false negative atau kesalahan ketika pasien yang sebenarnya berisiko justru diprediksi aman merupakan kesalahan yang sangat berbahaya. Karena itu, model yang mampu menangkap sebanyak mungkin kasus positif dinilai lebih penting. Hasilnya menunjukkan bahwa pada kelompok nulligravida, ANN, SVM, dan RF sama-sama mencapai recall 1,00, dengan ANN tampil paling seimbang karena juga unggul dalam akurasi, presisi, dan F1-score. Pada kelompok primigravida, KNN dan ANN menjadi yang terbaik dengan recall 0,91. Pada kelompok multigravida, ANN kembali unggul dengan recall 0,86, sedangkan pada kelompok grand multigravida, SVM mencatat performa terbaik dengan recall 0,80. Secara umum, ANN dan SVM menunjukkan kinerja yang paling konsisten dalam mendeteksi kasus DM di berbagai kategori kehamilan.
Temuan ini menunjukkan bahwa pendekatan machine learning berpotensi menjadi alat bantu skrining awal yang bermanfaat di layanan kesehatan. Sistem seperti ini tidak dimaksudkan untuk menggantikan diagnosis dokter, melainkan untuk mendukung pengambilan keputusan klinis agar pasien yang berisiko dapat lebih cepat dikenali dan ditindaklanjuti. Dengan demikian, pemanfaatan AI dalam konteks kesehatan ibu dapat berkontribusi pada pencegahan komplikasi dan peningkatan kualitas layanan yang lebih responsif.
Meski demikian, peneliti juga mencatat bahwa studi ini masih memiliki keterbatasan, seperti ukuran dataset yang relatif kecil, jumlah variabel prediksi yang masih terbatas, serta data yang bersifat spesifik pada satu sumber sehingga penerapannya ke populasi lain perlu diuji lebih lanjut. Karena itu, penelitian selanjutnya diharapkan menggunakan data yang lebih besar dan lebih beragam agar model prediksi dapat menjadi semakin kuat dan lebih siap diterapkan pada konteks klinis yang lebih luas.
Artikel ini berjudul 淧redicting Diabetes Mellitus Based on the Number of Pregnancies Using Machine Learning Algorithms dan ditulis oleh Faisal Fahmi, Fenny Nur Aprillia, Zulfatun Sofiyani, Helmy Prasetyo Yuninanto, dan Meinia Prasyesti Kurniasari. Penelitian ini memperlihatkan bahwa perpaduan ilmu data, kecerdasan buatan, dan kesehatan dapat membuka peluang baru untuk membangun sistem deteksi dini yang lebih adaptif dan berbasis bukti.
Penulis: Faisal Fahmi, S.Pd., M.Sc., Ph.D.
Link:
