Model Bahasa Besar (LLM) untuk Prediksi Akurat Hasil Fungsional Pasien Pasca-Stroke Iskemik Akut

Memahami Dampak Stroke dan Pentingnya Prediksi

      Stroke iskemik akut merupakan salah satu penyebab utama disabilitas global, dengan dampak yang signifikan terhadap kualitas hidup pasien. Untuk mengukur sejauh mana kemampuan fungsional pasien terpengaruh dan seberapa baik mereka pulih, skala klinis standar yang disebut Modified Rankin Scale (mRS) digunakan. Skala ini membantu dokter dalam membuat keputusan klinis yang tepat, menetapkan tujuan perawatan yang realistis, dan mengalokasikan sumber daya kesehatan secara efektif.

      Secara tradisional, prediksi hasil pasca-stroke sangat bergantung pada data klinis terstruktur. Informasi seperti usia pasien, jenis kelamin, skor National Institutes of Health Stroke Scale (NIHSS) saat masuk, komorbiditas, dan nilai laboratorium menjadi dasar untuk model prediksi konvensional. Meskipun model-model ini bisa efektif, proses pengumpulan dan pemrosesan data seringkali memakan waktu dan sumber daya yang besar.

      Keterbatasan lainnya adalah banyak model prediksi konvensional membutuhkan informasi yang tidak tersedia di awal penerimaan pasien, seperti skor NIHSS atau mRS saat keluar rumah sakit, atau bahkan penilaian yang lebih lambat seperti mRS 1 minggu atau 30 hari pasca-stroke. Hal ini menghambat kemampuan tim medis untuk mendapatkan wawasan prognostik di awal masa rawat inap, padahal hal tersebut krusial untuk intervensi dini dan perencanaan perawatan yang optimal.

Inovasi Model Bahasa Besar (LLM) dalam Analisis Catatan Klinis

      Dalam beberapa tahun terakhir, muncul potensi besar dari penggunaan teknologi Model Bahasa Besar (LLM) untuk menganalisis teks klinis yang kompleks. Berbeda dengan model Natural Language Processing (NLP) sebelumnya yang memerlukan rekayasa fitur ekstensif, LLM memiliki kemampuan untuk memahami dan memproses teks dalam jumlah besar, bahkan dengan format yang tidak terstruktur. LLM Encoder, seperti BERT, dapat secara otomatis menghasilkan representasi kontekstual yang menangkap hubungan semantik dalam teks. Sementara itu, LLM Generatif, seperti Llama, dapat melakukan penalaran multi-langkah yang kompleks tanpa memerlukan pelatihan khusus untuk setiap tugas.

      Kemampuan ini membuat LLM sangat cocok untuk tugas prediksi hasil dari teks klinis yang heterogen dan tidak terstruktur. Catatan klinis yang tidak terstruktur, seperti catatan Riwayat dan Pemeriksaan Fisik (History and Physical/H&P) saat pasien masuk, ternyata mengandung sinyal prognostik yang kaya. Sinyal ini seringkali setara atau bahkan melebihi nilai prediktif variabel terstruktur tradisional. Yang terpenting, catatan ini tersedia di awal masa rawat inap dan memerlukan pra-pemrosesan minimal, sehingga meminimalkan gangguan alur kerja klinis. ARSA Technology, sebagai penyedia solusi AI & IoT yang berpengalaman sejak 2018, memahami pentingnya pemanfaatan data yang tersedia untuk wawasan operasional.

      Studi terbaru telah menunjukkan bahwa teks klinis yang tidak terstruktur dapat secara signifikan meningkatkan prediksi hasil fungsional pasca-stroke. Misalnya, sebuah penelitian menemukan bahwa dengan memasukkan catatan Riwayat Penyakit Sekarang (HPI) dan laporan CT scan, skor dasar yang sudah ada sebelumnya dapat meningkat secara signifikan. Hal ini menunjukkan bahwa ada nilai luar biasa dalam data teks yang belum sepenuhnya dimanfaatkan.

Metodologi Penelitian dan Hasil Kunci

      Sebuah penelitian komprehensif mengevaluasi berbagai arsitektur LLM, pendekatan pra-pelatihan, dan konfigurasi fine-tuning untuk memprediksi skor mRS saat keluar rumah sakit dan 90 hari pasca-stroke. Penelitian ini menggunakan data klinis dari 10.302 penerimaan pasien stroke yang dikumpulkan di NYU Langone Health sebagai bagian dari inisiatif Get With The Guidelines. Studi tersebut secara retrospektif menganalisis 11.472 catatan H&P dari 8.723 penerimaan stroke iskemik dari tahun 2016 hingga 2025.

      Penelitian ini membandingkan kinerja model LLM Encoder (BERT, NYUTron) dan model Generatif (Llama-3.1-8B, MedGemma-4B) dalam pengaturan frozen (tanpa penyesuaian) dan fine-tuned (disesuaikan dengan tugas spesifik). Hasilnya menunjukkan bahwa model dengan kinerja terbaik adalah Llama yang telah di-fine-tuned. Model ini mencapai akurasi mRS exact 90 hari tertinggi sebesar 33,9% (dengan interval kepercayaan 95% antara 27,9%-39,9%). Untuk prediksi hasil fungsional biner 90 hari (mRS 0-2 vs 3-6), model ini mencapai akurasi 76,3% (interval kepercayaan 95% antara 70,7%-81,9%).

      Pentingnya temuan ini terletak pada kenyataan bahwa untuk prediksi 90 hari, kinerja Llama sebanding dengan model dasar data terstruktur tradisional (akurasi exact 28,1%; akurasi biner 72,6–73,8%). Ini berarti LLM dapat memberikan wawasan prognostik yang setara hanya dengan menggunakan catatan penerimaan saja, tanpa memerlukan abstraksi variabel terstruktur yang padat sumber daya. Kustomisasi dan penyesuaian khusus tugas (fine-tuning) pada LLM generatif terbukti mengungguli model encoder. Temuan ini mendukung pengembangan alat prognostik berbasis teks yang dapat diintegrasikan secara mulus ke dalam alur kerja klinis tanpa perlu ekstraksi data manual yang memakan waktu.

Implikasi Praktis dan Transformasi Perawatan Kesehatan

      Penerapan LLM dalam prediksi hasil pasca-stroke membawa implikasi besar bagi efisiensi dan kualitas perawatan kesehatan. Pertama, kemampuan untuk memprediksi hasil fungsional dari catatan penerimaan saja secara signifikan mengurangi beban kerja staf medis. Ini menghilangkan kebutuhan akan ekstraksi data manual yang intensif dan berulang, memungkinkan tenaga kesehatan untuk fokus pada tugas-tugas yang lebih kompleks dan berinteraksi langsung dengan pasien.

      Kedua, wawasan prognostik yang cepat dan akurat memungkinkan pengambilan keputusan klinis yang lebih proaktif. Dokter dapat menyesuaikan rencana perawatan lebih awal, memberikan terapi yang lebih tepat sasaran, dan mengidentifikasi pasien berisiko tinggi lebih cepat. Hal ini dapat berujung pada peningkatan hasil pasien dan optimalisasi alokasi sumber daya rumah sakit, yang mengarah pada pengurangan biaya operasional dan peningkatan efisiensi secara keseluruhan.

      Ketiga, teknologi ini mendukung integrasi sistem yang lebih baik. Dengan memanfaatkan data dari Electronic Health Records (EHR) dan Electronic Medical Records (EMR) yang ada, LLM dapat beroperasi sebagai bagian integral dari ekosistem digital rumah sakit. Ini berarti alat prognostik dapat langsung digunakan tanpa memerlukan investasi infrastruktur yang besar atau perubahan alur kerja yang drastis. ARSA Technology, dengan analitik video AI dan seri AI Box, menunjukkan bagaimana AI dapat diintegrasikan dengan infrastruktur yang sudah ada untuk memberikan wawasan real-time yang transformatif.

Masa Depan AI dalam Dukungan Keputusan Klinis

      Penelitian ini membuka jalan bagi masa depan di mana AI dan LLM memainkan peran sentral dalam dukungan keputusan klinis. Dengan kemampuan untuk menganalisis data teks yang kaya secara efisien, LLM dapat digunakan untuk berbagai tujuan selain prediksi stroke, seperti diagnosis dini penyakit, identifikasi risiko komplikasi, atau personalisasi rencana perawatan berdasarkan riwayat pasien yang mendalam. Kemampuan untuk mengubah data tidak terstruktur menjadi wawasan yang dapat ditindaklanjuti merupakan inovasi yang signifikan.

      Sebagai contoh penerapan teknologi mandiri dalam ranah kesehatan, solusi skrining kesehatan mandiri dari ARSA Technology, yaitu Health Kiosk, memungkinkan pengukuran tanda-tanda vital secara otomatis. Ini mengurangi beban petugas medis dan mempercepat proses skrining, mencerminkan semangat efisiensi dan otomatisasi yang sama seperti yang ditawarkan oleh LLM dalam konteks prediksi pasca-stroke. Dengan terus berinovasi dalam AI dan IoT, penyedia solusi seperti ARSA Technology siap mendukung transformasi digital di sektor kesehatan global.

REFERENSI:

      Kapoor, A. K., Alyakin, A., Lee, J. V., Yang, E., Schulze, A. M., Vishwanath, K., Lee, J., Aphinyanaphongs, Y., Riina, H., Frontera, J. A., & Oermann, E. K. (n.d.). Large Language Models Predict Functional Outcomes after Acute Ischemic Stroke. Preprint. Diakses dari https://arxiv.org/abs/2602.10119

      Untuk mendiskusikan bagaimana solusi AI dan IoT dapat diimplementasikan dalam operasi bisnis Anda, termasuk di sektor kesehatan, jangan ragu untuk menghubungi tim ARSA untuk konsultasi gratis.