Metode Diagnosis Covid-19 Bebas Manusia dan Biomolekular

Apakah perkembangan artificial intelligence dapat membantu diagnosis Covid-19?

penggunaan AI untuk mendiagnosis Covid-19

Pandemi Covid-19 telah merajalela di berbagai belahan dunia selama lebih dari satu tahun. Walaupun program vaksinasi telah berjalan dan manajemen sistem kesehatan telah membaik, upaya tracking, tracing, dan testing (3T) tetap menjadi langkah penting untuk terus menekan pandemi ini. Untuk itu, perkembangan strategi dan alat 3T menjadi penting. RT-PCR hasil swab nasofaring, walaupun memenuhi perannya sebagai standar baku emas untuk diagnosis, masih menimbulkan masalah. Salah satu masalah tersebut adalah perlu waktu untuk mendapatkan hasil pemeriksaan. Tes cepat pun telah dikembangkan dan digunakan, tetapi performanya tidak cukup membuatnya menjadi alat diagnostik sehingga hanya berperan sebagai alat skrining. Perkembangan paling baru dan menghebohkan pada bidang ini adalah GeNose. Di antara semua perkembangan ini, sebuah metode yang belum terlalu dipikirkan adalah modalitas radiologi.

Dalam menegakkan diagnosis, CT scan dada menjadi salah modalitas radiologi dengan sensitivitas tertinggi yang tersedia. Pada fasilitas yang tidak memiliki CT scan, pemeriksaan menggunakan rontgen dada. Modalitas ini menawarkan keuntungan atas CT scan, termasuk dosis radiasi yang lebih rendah dan ketersediaan lebih tinggi. Akan tetapi, tidak dapat dimungkiri bahwa rontgen memiliki performa yang lebih rendah dibandingkan CT scan. Dalam hal itu, artificial intelligence (AI) dapat membantu. 

Penggunaan algoritma convolutional neural network (CNN), sejenis AI untuk mendiagnosis Covid-19 menjadi suatu perkembangan metode uji yang jarang menerima perhatian. AI akan dilatih dengan gambar-gambar rontgen dada dan “kunci jawaban”. Dengan kedua komponen tersebut, pelatihan ini akan memicu AI untuk menentukan kesamaan dalam kelompok. Pelatihan dengan jumlah data yang besar akan mengembangkan algoritma untuk membedakan rontgen dada pasien normal dengan Covid-19 yang telah terkonfirmasi RT-PCR. Tidak hanya itu, beberapa algoritma yang teruji dapat membedakan rontgen dada pasien Covid-19 dari pneumonia lain, bahkan membedakan antara pneumonia viral atau bakterial. Spesifitas dan sensitivitas yang tercapai pun dapat sama atau lebih tinggi dibandingkan yang dapat tercapai CT scan serta ditingkatkan dengan AI.

Perlu diketahui, algoritma yang digunakan pada studi-studi awal ini menggunakan berbagai arsitektur CNN. Hal tersebut meningkatkan kemampuan penggunaannya dalam praktik klinik karena alat yang digunakan tersedia bagi masyarakat umum. Selain itu, penggunaan AI untuk mendiagnosis Covid-19 juga dapat mengurangi kontak antara operator-operator radiologi dengan pasien sehingga menekan potensi menularkan Covid-19. AI juga tidak dapat mengalami kelelahan yang rentan menurunkan akurasi pembacaannya. Rontgen dada yang diproses pun dapat lebih banyak dibandingkan oleh seorang operator. Interpretasi rontgen dada juga sangat subjektif dan tidak memerlukan operator yang berpengalaman untuk mendapat hasil yang konsisten dengan waktu pembacaan yang lebih pendek.

Oleh karena itu, penggunaan AI untuk mendiagnosis Covid-19 menawarkan potensi sensitivitas dan spesifitas yang sangat tinggi, bahkan hanya menggunakan rontgen dada. Pada fasilitas dengan pelaksanaan CT scan rutin, AI akan meningkatkan sensitivitas modalitas tersebut meskipun sudah tinggi. Selain itu, penggunaan AI juga dapat mengeliminasi beberapa masalah intrinsik lain terhadap interpretasi radiologi. Oleh karena itu, penggunaan AI dapat menjadi sebuah bidang yang dapat dikembangkan lebih lanjut untuk berkompetisi dengan metode biomolekular sebagai alat diagnostik. ansel

Daftar Pustaka

  1. Aljondi R, Alghamdi S. Diagnostic Value of Imaging Modalities for COVID-19: Scoping Review. J Med Internet Res [Internet]. 2020 Aug 19 [cited 2021 Apr 21];22(8). Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7468642/
  2. Eriksen MB, Frandsen TF. The impact of patient, intervention, comparison, outcome (PICO) as a search strategy tool on literature search quality: a systematic review. J Med Libr Assoc JMLA. 2018 Oct;106(4):420–31. 
  3. Ghaderzadeh M, Asadi F. Deep Learning in the Detection and Diagnosis of COVID-19 Using Radiology Modalities: A Systematic Review. J Healthc Eng [Internet]. 2021 Mar 15 [cited 2021 Apr 20];2021. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7958142/
  4. Albahri OS, Zaidan AA, Albahri AS, Zaidan BB, Abdulkareem KH, Al-qaysi ZT, et al. Systematic review of artificial intelligence techniques in the detection and classification of COVID-19 medical images in terms of evaluation and benchmarking: Taxonomy analysis, challenges, future solutions and methodological aspects. J Infect Public Health. 2020 Oct;13(10):1381–96. 
  5. Shi F, Wang J, Shi J, Wu Z, Wang Q, Tang Z, et al. Review of Artificial Intelligence Techniques in Imaging Data Acquisition, Segmentation, and Diagnosis for COVID-19. IEEE Rev Biomed Eng. 2021;14:4–15. 
  6. Bs K, La R, Sp D, Ec K, Rj T. The Development of Expertise in Radiology: In Chest Radiograph Interpretation, ‘Expert’ Search Pattern May Predate ‘Expert’ Levels of Diagnostic Accuracy for Pneumothorax Identification. Radiology. 2016 Jan 27;280(1):252–60. 

Penulis: Benedictus Ansell Susanto
Editor: Izzati Diyanah

Share your thoughts