FKUI kembangkan model machine learning anak epilepsi resistensi obat

Depok (ANTARA) - Doktor Program Studi Ilmu Kedokteran Fakultas Kedokteran Universitas Indonesia (UI) Achmad Rafli mengembangkan machine learning untuk prediksi keberhasilan tata laksana pada anak dengan epilepsi resistensi obat (ERO).

Hal ini tentunya dapat meningkatkan akurasi penilaian klinis dan mendukung pengambilan keputusan terapi.

Baca juga: Peneliti Australia: Akal imitasi dapat deteksi penyebab epilepsi anak

“Pemilihan obat antiepilepsi (OAE) yang tepat merupakan aspek krusial dalam penatalaksanaan ERO. Namun, adanya variasi karakteristik intrinsik pasien menyebabkan respons terhadap pengobatan menjadi sangat beragam. Selain itu, pemeriksaan biomarker untuk memprediksi respons individu terhadap OAE masih sulit dilakukan,” tutur Achmad Rafli dalam keterangannya di Depok, Jumat.

Achmad Rafli, yang merupakan dosen Ilmu Kesehatan Anak FK UI, melakukan penelitian berjudul Pengembangan Model Machine Learning dalam Memprediksi Keberhasilan Tata Laksana pada Anak dengan Epilepsi Resisten Obat.

Dalam penelitiannya, Achmad Rafli mencari dan mengembangkan model machine learning untuk memprediksi keberhasilan tata laksana pada anak dengan epilepsi resistensi obat (ERO), sehingga dapat meningkatkan akurasi penilaian klinis dan mendukung pengambilan keputusan terapi.

Epilepsi merupakan gangguan neurologis yang sering ditemukan pada tahun pertama kehidupan, dengan insidensi tertinggi pada masa bayi.

Sekitar 6–14 persen anak dengan epilepsi dapat berkembang menjadi ERO, yaitu kondisi kegagalan mengendalikan kejang meskipun telah diberikan dua jenis obat antiepilepsi sesuai dan dengan dosis maksimal yang masih dapat ditoleransi pasien.

Baca juga: Mengenal berbagai penyebab epilepsi dari faktor genetik hingga infeksi

Penatalaksanaan epilepsi resisten obat pada anak masih menghadapi berbagai tantangan, antara lain keterbatasan fasilitas pemeriksaan genetik, waktu tunggu pemeriksaan magneticresonance imaging (MRI) yang panjang, pemilihan atau kombinasi OAE yang belum optimal, serta frekuensi kejang yang belum terkontrol.

Rafli kemudian mengembangkan pemanfaatan kecerdasan buatan (AI), khususnya machine learning, yang mampu mempelajari pola kompleks dari data klinis untuk memprediksi luaran terapi.

Pada penelitian tersebut, keberhasilan pengobatan dinilai melalui pemantauan frekuensi kejang selama tiga bulan dengan kategori terkontrol, apabila terjadi penurunan frekuensi kejang ≥ 75 persen.