Deteksi jenis dan tingkat keparahan penyakit pernapasan Menggunakan jaringan saraf buatan.
ABSTRAK
Artikel ini membahas peran jaringan saraf buatan untuk deteksi penyakit. Penyakit pernapasan seperti penyakit paru obstruktif menahun (PPOK) memengaruhi sebagian besar populasi dunia dan memiliki angka kematian lebih tinggi daripada kanker paru-paru dan kanker payudara. Jumlah pasien yang salah didiagnosis dan apakah tingkat keparahan kondisi mereka diidentifikasi dengan benar menghadirkan tantangan yang signifikan. Untuk mengatasi masalah ini, kami mengembangkan model klasifikasi berbasis jaringan saraf buatan yang dapat membedakan tingkat keparahan penyakit pasien berdasarkan pengukuran fungsi paru-paru dan informasi gejala. Dataset COPD dari repositori Kaggle berisi catatan 101 pasien dan digunakan untuk mengembangkan model klasifikasi yang akurat. Hasil kami menunjukkan bahwa model klasifikasi dapat mengidentifikasi pasien PPOK dan tingkat keparahannya (ringan, sedang, berat, dan sangat berat) dengan akurasi hingga 98% dan kehilangan minimal. Hal ini memungkinkan kami merawat pasien secara efektif sesuai tingkat keparahannya dan mengurangi angka kematian dalam situasi darurat.
Kata kunci: Klasifikasi, Jaringan saraf tiruan, Penyakit paru obstruktif kronik (PPOK), Keparahan, Spirometri.
PENDAHULUAN
Makalah ini membahas pandangan bahwa asma adalah penyakit paru inflamasi kronis yang menyumbat paru-paru [[1],[2]]. Diperkirakan hingga 75% pasien meninggal sebelum diagnosis dipastikan. Jumlah ini melebihi jumlah kematian akibat kanker paru-paru dan kanker payudara secara gabungan [ [3] ] – [6] ], dan di Eropa saja, PPOK menyebabkan 202.000 hingga 300.000 kematian. Meskipun asma memiliki tingkat kematian yang rendah dibandingkan dengan penyakit pernapasan kronis lainnya, prevalensi asma dan biaya pengobatan dan perawatan telah meningkat dalam beberapa dekade terakhir [ [1] , [2] ]. Banyaknya pasien yang salah didiagnosis menderita penyakit pernapasan kronis seperti asma atau penyakit paru obstruktif kronis, serta penyakit pernapasan lainnya seperti pilek, bronkitis akut atau pneumonia, yang menimbulkan tantangan besar dalam pengelolaan penyakit kronis, terutama di klinik non-spesialis [ [6] , [7] ]. Untuk mendukung para profesional perawatan kesehatan, sejumlah besar pedoman berbasis bukti untuk pencegahan, diagnosis, dan pengobatan penyakit pernapasan kronis telah dikembangkan dari waktu ke waktu. Berdasarkan temuan dan rekomendasi terbarunya, Inisiatif Global untuk Penyakit Paru Obstruktif Kronik (GOLD) [8] dan Inisiatif Global untuk Asma (GINA) [9] menerbitkan pedoman bagi para profesional kesehatan. Meskipun ada rekomendasi ini, kurangnya kesadaran di kalangan dokter non-spesialis masih menjadi masalah. Yawn dan Wollan percaya bahwa hambatan utama terhadap identifikasi akurat berbagai penyakit pernapasan adalah bahwa banyak dokter umum tidak dapat membedakan antara asma dan PPOK dan tidak menyadari bahwa wanita berisiko lebih besar terkena PPOK daripada pria. Ketika gejala PPOK disalahartikan sebagai asma, wanita menerima perawatan yang salah, sehingga menunda perawatan PPOK yang tepat. [10] Asumsi yang salah ini dapat menimbulkan konsekuensi serius terhadap beban penyakit dan kemungkinan terjadinya eksaserbasi di masa depan.
Penyakit paru obstruktif kronik (PPOK) adalah penyakit paru inflamasi jangka panjang yang mengurangi kemampuan paru-paru untuk memproses udara. Gejalanya meliputi kesulitan bernapas, produksi cairan (lendir), dan mengi. Penyakit paru obstruktif kronik (PPOK) dapat diobati, tetapi merupakan penyakit progresif yang makin parah seiring berjalannya waktu. [19]
Metode diagnosis medis berbantuan komputer semakin sering digunakan. Mereka menggunakan sejumlah besar data tentang gejala dan riwayat medis pasien, serta hasil tes diagnostik, untuk meningkatkan kualitas perawatan dengan mengembangkan sistem pakar yang dapat memanfaatkan pengetahuan manusia dan memecahkan masalah yang biasanya memerlukan campur tangan manusia.
Kecerdasan buatan dan metode pembelajaran mesin memanfaatkan keahlian manusia [[11]-[12]]. Sejak tahun 1990-an, sistem pakar berdasarkan metode pembelajaran mesin seperti jaringan saraf buatan (ANN) dan logika fuzzy (FL) semakin banyak digunakan untuk mendeteksi berbagai penyakit, termasuk penyakit pernapasan.
Tujuan dari pekerjaan ini adalah untuk mengembangkan model klasifikasi untuk menilai tingkat keparahan penyakit pernapasan seperti PPOK agar dapat memberikan perawatan yang tepat kepada pasien dalam situasi darurat.
Bagian berikutnya disebut tinjauan pustaka. Pada Bab 2, kami menjelaskan semua teori penting menggunakan contoh teoritis.
Beberapa penelitian telah dilakukan dengan fokus pada klasifikasi penyakit pernapasan dan menggunakan berbagai jenis arsitektur ANN. Akurasi klasifikasi yang tinggi telah dicapai pada berbagai kumpulan data [[11]]–[15]]. Teknik pembelajaran mesin lainnya seperti hutan acak, peningkatan gradien dan bahkan regresi logistik juga dapat digunakan untuk klasifikasi dan prediksi penyakit [ [16] ]–[18] ], tetapi jaringan saraf bekerja paling baik ketika database berisi sejumlah besar sampel. Emfisema obstruktif dan bronkitis kronis adalah dua contoh umum. Sekitar 75% penderita PPOK memiliki diagnosis penyakit yang tidak terdiagnosis. Sebagian besar dari mereka menderita PPOK ringan, tetapi 4% menderita PPOK parah dan 1% menderita PPOK sangat parah. [dua puluh tiga].
Di bagian ini, kami menjelaskan arsitektur sistem, metodologi, kumpulan data, model, dan fungsi kerugian baru secara rinci.
Untuk mengklasifikasikan tingkat keparahan PPOK, kami mengusulkan untuk menggunakan jaringan saraf tiruan dengan fungsi kerugian baru. Jaringan saraf tiruan dengan berbagai masukan dan keluaran menggunakan data numerik dan kategoris membentuk dasar model prediktif kami. Dengan mendefinisikan fungsi kerugian yang tepat (seperti kuadrat terkecil untuk regresi, entropi silang kategoris untuk klasifikasi multikelas, dan fungsi kerugian lainnya), jaringan saraf dalam dapat menyelesaikan berbagai macam tugas. Dalam model klasifikasi kami, kami menggunakan
Kelangkaan klasifikasi silang entropi.
Menangani Data Campuran Karena tantangan model kita adalah menangani data campuran (data numerik dan kategoris), bagian ini menjelaskan model dan fungsi kerugian baru secara terperinci.
Dataset COPD baru dari repositori Kaggle digunakan. Ini adalah kumpulan data campuran yang berisi data pasien numerik dan kategoris. Parameter uji spirometri (FEV1, FEV1PRED, FVC, dan FVCPRED), uji CAT, kuesioner SGRQ, riwayat merokok, diabetes, hipertensi, dan atribut lain dalam kumpulan data digunakan untuk menentukan tingkat keparahan penyakit. Sebelum penskalaan fitur, himpunan data terlebih dahulu diproses terlebih dahulu untuk menemukan nilai yang hilang dan outlier. Untuk membuat dan menguji model, kumpulan data dibagi menjadi set pelatihan dan pengujian.
Warna lingkaran kuning menunjukkan: masukan lapisan; warna lingkaran biru menunjukkan: lapisan tersembunyi; warna lingkaran merah menunjukkan: keluaran lapisan.
Jaringan Syaraf Tiruan (JST) sering digunakan dalam pengembangan pengklasifikasi. ANN adalah sistem kecerdasan buatan yang dapat mengekstrak informasi dari banyak hal.
Setelah pelatihan sampel, kategori sinyal dapat ditentukan. [20] Para ahli aplikasi percaya bahwa jaringan saraf umpan maju linier (FF) cukup untuk menyelesaikan tugas klasifikasi dengan benar, dan bentuk NN ini banyak digunakan dalam tugas klasifikasi. [21] Pemilihan fitur input dan kompleksitas model (yaitu jumlah neuron lapisan tersembunyi) adalah dua elemen penting dalam membangun pengklasifikasi jaringan saraf. [22] Dalam model klasifikasi yang diusulkan, tujuan pemilihan fitur masukan adalah untuk menemukan jumlah fitur minimum yang dapat menghasilkan hasil yang dapat diterima. [24] Hal ini juga penting karena banyaknya masukan memerlukan estimasi sejumlah besar parameter model, yang dapat menjadi tantangan untuk kumpulan data berukuran terbatas. [25]
HASIL ANALISIS
Dalam penelitian ini, seluruh 13 fitur dalam dataset digunakan untuk 101 sampel. Hubungan antara jumlah lapisan tersembunyi dan akurasi ditunjukkan pada Tabel 1. Akurasi digunakan untuk menentukan jumlah neuron dalam lapisan tersembunyi. Karena akurasi.
Gunakan Sparse_categorical_entropy untuk menghitung kerugian, pengoptimalnya adalah Adam, ukuran batch adalah 48, epoch adalah 50, dan fungsi aktivasi Relu digunakan.
Tabel 1.
Seperti yang ditunjukkan pada Tabel 1, akurasi model klasifikasi mencapai 0,98% dan kerugian berkurang hingga 0,25, yang merupakan hasil yang sangat baik.
PEMBAHASAN
Dalam beberapa dekade terakhir, kita menemui kesulitan dalam mendiagnosis dan mengobati berbagai penyakit pernapasan kronis karena gaya hidup masyarakat, termasuk faktor-faktor seperti merokok dan polusi udara. [26] Meskipun terdapat protokol standar untuk diagnosis dan pengobatan penyakit pernapasan, protokol tersebut belum secara signifikan mengurangi angka kematian, khususnya di daerah terpencil di mana tenaga medis tidak selalu tersedia. Oleh karena diperlukan teknologi inovatif baru untuk mengobati penyakit tersebut. Kecerdasan buatan telah mencapai keberhasilan di semua bidang ilmiah, dan ada harapan bahwa kecerdasan buatan akan menghasilkan hasil serupa jika diterapkan pada masalah pendeteksian penyakit pernapasan, khususnya PPOK. Memang, hasil kami menunjukkan bahwa penggunaan metode otomatis untuk klasifikasi penyakit merupakan pilihan yang layak yang dapat meningkatkan klasifikasi secara tepat waktu, terutama bagi staf medis non-spesialis yang bekerja di daerah terpencil. Atas dasar ini, strategi intervensi dini dirumuskan untuk mencegah komplikasi penyakit dan memastikan bahwa pasien menerima perawatan tepat waktu. Dalam penelitian ini, kumpulan data yang berisi berbagai variabel digunakan untuk mengklasifikasikan penyakit pernapasan PPOK dan tingkat keparahannya menggunakan model jaringan saraf. Model klasifikasi untuk tingkat keparahan PPOK dibuat menggunakan jaringan saraf buatan. Berdasarkan penelitian terkini di bidang ini, PPOK dibagi menjadi empat kelompok yang saling eksklusif: (1) ringan, (2) sedang, (3) berat, dan (4) sangat berat. Basis data berisi parameter yang menjelaskan etiologi pasien, tes spirometri, CAT, kuesioner SGRQ, dan pemeriksaan fisik. Oleh karena salah satu ukuran penting adalah mengklasifikasikan tingkat keparahan penyakit di pengaturan perawatan kesehatan primer. Hal ini dapat dicapai dengan menggunakan model klasifikasi yang diusulkan dalam penelitian ini. Tujuan penerapan sistem ini di lembaga perawatan kesehatan primer adalah untuk membangun hubungan antara pasien dan layanan, membantu mereka memperoleh layanan medis tepat waktu, dan meningkatkan akses mereka ke sumber daya kesehatan. Menurut pedoman internasional, pasien harus diperiksa secara komprehensif dan elemen uji fungsional seperti faktor sosial, kebiasaan, pola diet dan aspek epidemiologi harus dipertimbangkan. Sebanyak 13 parameter berbeda digunakan untuk klasifikasi dalam penelitian ini. Faktor-faktor dalam SGRQ yang terkait dengan gejala pasien mempunyai tingkat kepentingan yang berbeda-beda. Spirometri dipilih untuk penilaian fungsional dalam penelitian ini karena ketersediaannya dan biaya rendah. Mempertimbangkan semua pro dan kontra, akurasi 98% adalah fitur utama penelitian ini.
KESIMPULAN
Kecerdasan buatan digunakan untuk mendiagnosis penyakit pernapasan dengan hasil yang mengesankan. Salah satu keterbatasan penelitian ini adalah kumpulan data yang kami gunakan relatif kecil, hanya 101 catatan. Sistem ini khususnya berguna dalam telemedicine ketika seorang spesialis (dalam hal ini dokter spesialis paru-paru) tidak tersedia dan dokter umum tidak yakin bagaimana cara menilai tingkat keparahan penyakit atau menentukan perawatan lebih lanjut. Hal ini mengakibatkan banyak gejala disalahartikan dan diagnosis penyakit pernapasan yang akurat sering terlewatkan, yang menyebabkan tingginya tingkat kesalahan diagnosis atau keterlambatan diagnosis. Kesalahan-kesalahan ini dapat menimbulkan dampak negatif yang serius terhadap kesehatan pasien secara keseluruhan. Hasil model tersebut dapat membantu profesional perawatan kesehatan meresepkan obat atau merekomendasikan pengujian konfirmasi tambahan. Hal ini karena diagnosis yang tepat waktu merupakan langkah penting dalam penanganan penyakit. Hal ini pada gilirannya mengurangi angka kematian dan meningkatkan kualitas hidup pasien. Penting untuk ditekankan bahwa penggunaan pendekatan ini tidak berarti bahwa dokter memainkan peran yang tidak penting dalam diagnosis. Sebaliknya, sistem ini mendukung staf medis dalam menyediakan perawatan berkualitas tinggi kepada pasien.
SARAN
Artikel ini membahas topik penelitian model klasifikasi keparahan PPOK yang dijelaskan di dalamnya. Model dilatih menggunakan 101 contoh dari repositori Kaggle selama pengembangan. Model yang dihasilkan mencapai akurasi 98% dengan kehilangan minimal dan mampu mengklasifikasikan tingkat keparahan secara akurat. Konsep ini sangat berguna dalam memberikan perawatan darurat yang efektif kepada pasien yang membutuhkan. Pendekatan ini akan membantu dokter perawatan primer dan mahasiswa Ko-AS mendiagnosis dini dan menilai tingkat keparahan. Hal ini memungkinkan mereka memanfaatkan waktu dengan lebih baik, mengurangi biaya peralatan medis, dan meningkatkan hasil pasien.
Kami bermaksud untuk meningkatkan dan memvalidasi antarmuka pengguna yang efektif untuk sistem klasifikasi otomatis di masa mendatang sehingga dapat digunakan dalam praktik umum dan untuk memproses kumpulan data besar.
