Berandasehat.id – Ahli jantung dari Sekolah Kedokteran Perelman, Rajat Deo, telah mempelajari data elektrokardiografi (EKG) dan irama jantung selama hampir dua dekade di Penn.

Ia mengatakan bahwa setiap detik, rumah sakit menghasilkan arus data EKG yang sangat besar, jejak listrik jantung yang terakumulasi menjadi salah satu arsip kedokteran yang paling kaya dan paling kurang dimanfaatkan.

Selama beberapa dekade, sebagian besar informasi ini dianggap penting pada saat itu, tetapi kemudian tidak digunakan.

Kini, Deo dan dokter klinis lainnya dari Penn Medicine telah bermitra dengan ilmuwan komputer di Sekolah Teknik dan Ilmu Terapan Penn untuk mengubah hal itu dengan memanfaatkan kekuatan data jantung yang telah dikumpulkan rumah sakit.

Ahli jantung seperti Deo membawa wawasan klinis tentang bagaimana ketidakaturan listrik kecil dapat menjadi pertanda kejadian jantung yang serius, sementara ilmuwan komputer seperti Rajeev Alur membawa pengalaman puluhan tahun dalam sistem yang menemukan pola dalam aliran informasi yang kompleks dan terus berkembang, dan menggunakannya untuk membuat prediksi.

“Di Penn, Anda bisa menyeberang jalan dan menemukan seorang klinisi yang dapat menantang Anda untuk mengembangkan solusi berbasis AI untuk masalah yang ingin mereka selesaikan,” kata Alur dikutip MedicalXpress.

Bersama dengan mahasiswa dan fakultas di seluruh Universitas, tim tersebut mengembangkan Model Autoregresif Jantung untuk Pemodelan Bahasa EKG (CAMEL), sebuah model kecerdasan buatan yang memperlakukan EKG bukan seperti cuplikan terisolasi, tetapi lebih seperti bahasa.

Makalah tersebut telah dipublikasikan di server pracetak arXiv.

Alih-alih hanya mengidentifikasi kelainan setelah muncul, CAMEL menganalisis rentang irama jantung yang lebih panjang untuk mengenali pola yang mungkin menandakan apa yang akan terjadi selanjutnya, membuka jalan bagi peringatan aritmia atau henti jantung 10 hingga 15 menit sebelum terjadi.

“Model AI yang ada berfokus pada klasifikasi sinyal EKG,” kata Alur.

Untuk beralih dari klasifikasi ke peramalan, tim teknik harus memperlakukan ritme listrik jantung seperti teks, mencari cara terbaik untuk mengkodekan sinyal EKG.

CAMEL mengubah segmen gelombang EKG menjadi format yang dapat diinterpretasikan bersama teks klinis, seperti catatan dokter atau hasil laboratorium, memungkinkan sistem untuk ‘bernalar’ seperti seorang klinisi, tentang bagaimana variasi halus dalam ritme dapat menandakan perubahan di masa mendatang.

Tidak seperti pendekatan tradisional yang bergantung pada cuplikan 10 detik, model ini dirancang untuk menangani telemetri selama berjam-jam (pemantauan jarak jauh berkelanjutan dari tanda-tanda vital pasien di rumah sakit), sehingga memperluas jendela di mana risiko dapat dideteksi.

Bagi para klinisi, perbedaannya bisa berarti, karena penurunan fungsi jantung jarang muncul begitu saja; tanda-tanda peringatan seringkali ada tetapi tetap terlalu samar, menyebar, atau kompleks untuk diinterpretasikan oleh alat konvensional.

Deo mencatat bahwa model tersebut telah menunjukkan hasil yang menjanjikan dalam menganalisis ritme sinus normal dan mendeteksi indikator halus bahwa pasien mungkin berisiko tinggi mengalami henti jantung di rumah sakit yang disebabkan oleh aritmia berbahaya seperti fibrilasi ventrikel atau takikardia ventrikel.

Penerapan di dunia nyata

Para peneliti berharap untuk segera menguji model tersebut dengan memproses informasi pasien secara real-time di latar belakang, tetapi tanpa memberi tahu staf medis. “Hal terakhir yang ingin saya lakukan adalah memberi tahu perawat dan teknisi di lantai pada pukul 2 pagi untuk melakukan intervensi berdasarkan sinyal palsu,” kata Deo.

“Setiap kali kita membunyikan alarm, kita mengalihkan sumber daya yang terbatas dari pasien lain yang mungkin membutuhkannya. Dalam lingkungan klinis, kita harus yakin,” bebernya.

Para peneliti juga akan mempertimbangkan prediksi model tersebut terhadap hasil pasien untuk menentukan apakah kemampuan prediksi CAMEL melampaui standar perawatan saat ini.

Di luar penggunaannya di rumah sakit, para peneliti optimis tentang potensi teknologi ini pada populasi umum yang menggunakan perangkat wearable konsumen. (BS)