Memprediksi Tingkat Keparahan Demam Berdarah pada Anak

Berdasarkan Gambaran Klinis dan Indikator Laboratorium: Penerapan

Pohon Klasifikasi dan Regresi (CART)

Abstrak:
Latar Belakang: Demam berdarah merupakan re-emerging disease yang sering muncul pada
daerah subtropics dan tropis. Gambaran klinis dan hasil tes laboratorium yang abnormal dari
infeksi dengue mirip dengan penyakit demam lainnya, untuk itu sulitnya menentukan diagnosis
yang akurat dan tepat waktu untuk memberikan perawatan yang tepat. Diagnosis dini dan tepat
dapat membantu meningkatkan manajemen kasus dan untuk mengoptimalkan penggunaan
Sumber Daya seperti staff rumah sakit, tempat tidur, dan perawatan intensif. Tujuan dari
penelitian ini adalah untuk mengembangkan model prediktif untuk mengkarakterisasi
keparahan demam berdarah berdasarkan indikator klinis dan laboratorium awal menggunakan
data mining dan alat statistik.
Metode: Kami mengambil data dari studi penyakit demam pada anak-anak di Rumah Sakit
Anak-anak Angkor, Kamboja. Dari 1225 episode demam yang tercatat, 198 pasien
dikonfirmasi mengalami demam berdarah. Sebuah pohon klasifikasi dan regresi (CART)
digunakan untuk membangun pohon keputusan prediktif untuk dengue berat, sedangkan
analisis regresi logistik digunakan untuk mengukur secara independen signifikansi setiap
parameter dalam pohon keputusan (CART).
Hasil: Algoritma pohon keputusan menggunakan hematokrit, Glasgow Coma Score, protein
urin, kreatinin, dan jumlah trombosit memprediksi dengue berat dengan sensitivitas,
spesifisitas, dan akurasi masing-masing 60,5%, 65% dan 64,1%.
Kesimpulan: Pohon keputusan yang kami jelaskan, menggunakan lima indikator klinis dan
laboratorium yang sederhana, dapat digunakan untuk memprediksi kasus demam berdarah
yang parah di antara pasien anak saat masuk. Algoritma ini berpotensi dapat berguna untuk
membimbing rencana pemantauan pasien dan manajemen rawat jalan demam di tempat yang
minim sumber daya.
Kata kunci: Pohon klasifikasi, Dengue, Keparahan, Kamboja, Data mining, Anak

Latar Belakang
Demam berdarah menyebabkan beban penyakit dan kematian yang tinggi di wilayah tropis dan
subtropis di Asia Tenggara, Afrika, Pasifik Barat, dan Amerika. Virus Dengue terdiri dari lima
serotipe, DENV-1, DENV-2, DENV-3, DENV-4 dan DENV-5, yang ditularkan oleh nyamuk
Aedes aegypti. Diperkirakan 2,5 miliar orang di seluruh dunia berisiko terkena DBD. Lebih
dari 50 juta infeksi dengue diperkirakan terjadi setiap tahun, dimana sekitar 500.000
menyebabkan masuk rumah sakit untuk demam berdarah berat dalam Bentuk Demam Berdarah
Dengue (DBD) atau Sindrom Demam Berdarah Dengue (DSS), terutama di kalangan anak-
anak. Infeksi Dengue sering dibaurkan dengan penyakit demam lainnya (OFI), dengan gejala
klinis yang tidak spesifik dan gambaran klinis yang serupa dengan OFI. Selama tahap awal
demam berdarah, kehadiran penyakit demam nonspesifik membuat diagnosis yang tepat sangat
sulit, sehingga pengobatan tidak efisien dan kemungkinan peningkatan morbiditas dan
mortalitas. Demam berdarah yang parah, jika tidak dikelola dengan tepat, dapat menyebabkan
kematian yang cepat, terutama pada anak-anak. Selain itu, kurangnya fasilitas laboratorium
yang diperlukan, khususnya di daerah pedesaan yang terpencil, dapat menyebabkan kesulitan
dalam membedakan infeksi dengue dari OFI. Dengue adalah salah satu penyakit vektor yang
paling sering ditemui di Asia Tenggara, dan salah satu penyakit virus nyamuk yang paling
penting dengan potensi epidemi di dunia.
Dalam penelitian ini, data dari kelompok anak-anak yang dirawat dengan penyakit demam ke
Rumah Sakit Anak-anak Angkor, Siem Reap, Kamboja, selama periode satu tahun dianalisis
secara retrospektif menggunakan pendekatan data mining. Pendekatan ini menggunakan
klasifikasi dan pohon regresi, atau CART, yang pertama kali diperkenalkan oleh Breiman et
al. Ini adalah alat yang umum digunakan dalam penggalian data, yang membuat model atau
algoritme yang memprediksi nilai variabel target berdasarkan beberapa variabel masukan.
Dalam penelitian ini, CART dibangun untuk memprediksi tingkat keparahan infeksi dengue
berdasarkan indikator klinis dan laboratorium awal. Model ini kemudian dievaluasi terhadap
diagnosis akhir.

Metode
Kami melakukan penelitian retrospektif data yang berasal dari penyelidikan penyakit demam
pada anak-anak ("studi demam") di Rumah Sakit Anak-anak Angkor, Kamboja (AHC). Ini
adalah rumah sakit anak-anak dengan 70 tempat tidur di provinsi Siem Reap, Kamboja, yang
menyediakan perawatan kesehatan gratis dan komprehensif untuk anak-anak berusia kurang
dari 16 tahun, dan termasuk perawatan rawat inap dan rawat jalan khusus medis dan bedah.
Untuk penelitian demam, kriteria inklusi adalah usia <16 tahun, didokumentasikan suhu aksila
≥ 38.0 ° C dalam 48 jam penerimaan, dan informed consent oleh orang tua atau pengasuh.
Anak-anak yang mengalami demam ≥ 48 jam setelah masuk atau mengikuti operasi
dikeluarkan karena mereka dapat dianggap telah memperoleh infeksi terkait perawatan
kesehatan Manajemen Terpadu Penyakit Anak (IMCI) digunakan untuk penilaian dan
pengambilan keputusan apakah akan menerima pasien ke rumah sakit. Data dikumpulkan saat
diterima oleh dokter menggunakan formulir laporan kasus tertentu. Sampel darah masuk dan,
jika memungkinkan, sampel serologi yang diambil pada saat pulang, atau tujuh hari setelah
masuk, diambil untuk Antibodi IgM dan pengujian antigen NS1. Semua pasien yang dirawat
ditinjau dua kali sehari untuk kelayakan dan kualitas pengumpulan data. Data dikumpulkan
antara 12 Oktober 2009 dan 12 Oktober 2010 dari pasien yang dirawat di AHC.
Diagnosis Dengue didasarkan pada metode diagnostik laboratorium berikut: 1) Antigen DENV
NS1 ELISA (Diagnostik Standar, Korea) untuk mendeteksi antigen spesifik dengue dalam
sampel serum, 2) virus ensefalitis Jepang Panbio (JEV) dan dengue IgM Combo ELISA
(Diagnostik Standar) , Korea) digunakan untuk mendeteksi antibodi IgM anti JEV- dan
antiDENV-spesifik dalam sampel serum, dan 3) Dengue IgM capture ELISA (Venture
Technologies, Malaysia) digunakan untuk mendeteksi antibodi IgM anti-JEV- dan anti-
DENVpesifik pada cairan serebrospinal (CSF) spesimen. Pasien diklasifikasikan sebagai
memiliki infeksi virus dengue jika antigen NS1 terdeteksi dalam serum mereka oleh ELISA,
atau jika pasangan sera dari akut dan titik waktu konvalesen (≥7 hari setelah sampel akut)
menunjukkan peningkatan atau statis anti-dengue IgM (dan anti- IgM dengue lebih besar
daripada IgM ensefalitis anti-Jepang [15]. Antigen NS1 dan hasil antibodi IgM digabungkan
dengan cara Boolean menggunakan operator AND / OR untuk memastikan bahwa seluruh
spektrum temporal dari presentasi pasien selama fase akut infeksi dengue ditutupi, dengan
antigen NS1 ada dalam serum pada fase awal infeksi. dan antibodi IgM dengue biasanya
muncul setelah 2-5 hari infeksi. Rasio tingkat anti-dengue hingga anti-JEV IgM digunakan
untuk menentukan apakah infeksi virus dengue atau Japanese encephalitis, yang antibodi sering
memiliki reaktivitas silang ketika co-beredar di daerah yang sama. Anak-anak kurang dari 60
hari tidak diuji untuk infeksi virus dengue. Semua kasus dengue yang dikonfirmasi lebih lanjut
dikategorikan sebagai demam berdarah berat atau tidak parah. Dari tinjauan literatur kami,
kami mencatat bahwa, meskipun klasifikasi WHO 2009 yang direvisi dikatakan sebagai
peningkatan pada klasifikasi WHO tahun 1997, masih ada kebutuhan untuk pelatihan,
penyebaran informasi yang relevan, dan penelitian lebih lanjut tentang tanda-tanda peringatan
dengue yang parah. Klasifikasi juga dianggap oleh banyak orang sebagai terlalu luas,
membutuhkan definisi yang lebih spesifik dari tanda-tanda peringatan, bahwa itu
meningkatkan beban kerja untuk personel perawatan kesehatan, dan tidak sederhana atau
cukup ramah. Dalam penelitian kami kami mengkategorikan kasus demam berdarah sebagai
parah berdasarkan proses dua langkah. Langkah pertama adalah memperhitungkan semua
kasus dengue yang dikonfirmasi dengan perawatan unit perawatan intensif (ICU), bersama
dengan klasifikasi dengue WHO 2009. Kedua, dua penilaian dokter anak independen 'dianggap
a) mengecualikan setiap kasus ICU-mengakui yang mungkin tidak memiliki demam berdarah
berat sebagai diagnosis utama mereka dan b) untuk memasukkan setiap kasus non-ICU-
mengakui yang mungkin sebenarnya telah disajikan dengan dengue berat tetapi tidak diterima
karena alasan tertentu, biasanya karena keterbatasan sumber daya. Menilai tingkat keparahan
penyakit pada pasien ini sangat menantang karena hanya presentasi klinis awal demam
berdarah dan indikator laboratorium terbatas yang tersedia pada saat penerimaan yaitu
hematokrit pertama tercatat, jumlah trombosit, jumlah sel darah putih (WBC), urea, kreatinin,
dan alanin aminotransferase ( ALT) hasil, dan adanya protein urin atau sel darah merah (RBC).
Hasil rontgen dada tidak tersedia untuk mengevaluasi efusi pleura, juga bukan hasil USG
abdomen yang tersedia untuk mendeteksi cairan peritoneum (asites). Kehadiran perdarahan
tidak dinilai selain dengan memeriksa sampel tinja untuk darah. Penilaian kasus per kasus dan
verifikasi oleh dua dokter digunakan sebagai referensi untuk model prediktif.

Analisis data dan konstruksi model prediktif

Demografi dan karakteristik klinis dari kasus dengue berat dan tidak berat dijelaskan
menggunakan mean ± standard deviation (SD) jika data terdistribusi normal, atau dengan
median dan kisaran sebaliknya. Perbandingan antara kedua kelompok dilakukan dengan
menggunakan t-test Student untuk variabel kontinu jika data terdistribusi normal, jika tidak tes
Mann-Whitney U digunakan. Uji chi-square digunakan untuk data kategori. Nilai p <0,05
dianggap signifikan. Sebuah klasifikasi dan pohon regresi (CART) dibangun untuk
memprediksi tingkat keparahan kasus demam berdarah berdasarkan fitur klinis awal dan
indikator laboratorium saat masuk. Algoritma J48 digunakan untuk menghasilkan pohon
keputusan karena mampu menangani data nominal, kategori dan numerik, serta nilai-nilai yang
hilang. Untuk mengurangi variabilitas, beberapa putaran validasi silang dilakukan
menggunakan partisi yang berbeda, dan hasil validasi digabungkan selama putaran untuk
memperkirakan kinerja model. Setelah pohon terakhir diperoleh, signifikansi masing-masing
faktor prediktif kemudian dikuantifikasi melalui regresi logistik ganda dengan metode
pemilihan 'masuk' (yaitu semua variabel dimasukkan dalam model) dan dilaporkan sebagai
odds ratio (OR) dan 95% Confidence Interval (95% CI). Analisis deskriptif dan regresi logistik
ganda dilakukan menggunakan perangkat lunak Paket Statistik untuk Ilmu Sosial (SPSS), versi
18.0 (SPSS, Inc., Chicago, IL, USA), dan CART dibangun dengan Weka, versi 3.6.10
(University of Waikato, Selandia Baru).
Parameterisasi
Sebelum algoritme penambangan data dapat digunakan, kumpulan data target harus dirakit dan
diproses sebelumnya, yang melibatkan pembersihan, penghapusan, pengelompokan, dan
transformasi data. Ada 24 variabel yang awalnya tersedia untuk analisis. Namun, tiga variabel
dikeluarkan dari analisis yaitu hasil uji turniket adalah dengan lebih dari 15% titik data yang
hilang di mana laju denyut nadi dan frekuensi pernafasan adalah parameter yang bergantung
pada usia. Yang terakhir dikeluarkan dari analisis karena mereka tidak akan praktis untuk
merujuk jika disajikan dalam model akhir. Untuk variabel lain dengan kurang dari 15% nilai
yang hilang, nilai-nilai yang hilang dituduh menggunakan pendekatan imputasi tunggal satu-
per-satu. Keuntungan dari metode imputasi atas algoritma penambangan berbasis pohon dalam
CART [24] adalah bahwa ia memisahkan masalah data yang hilang dari masalah prediksi,
memungkinkan metode pemodelan prediktif yang berbeda untuk diterapkan pada kumpulan
data yang dihitung [25]. Dalam penelitian kami, beberapa nilai yang hilang dihitung dengan
nilai tunggal, termasuk nilai rata-rata untuk beberapa variabel (jumlah hari demam, waktu
pengisian kapiler, Glasgow Coma Score, dan hasil urea) dan nilai median untuk orang lain
(hematokrit, kreatinin , ALT, laju pernapasan bayi, protein urin dan RBC, dan WBC, neutrofil,
limfosit, dan jumlah trombosit).

Hasil
Terdapat 3225 pasien yang masuk selama tahun studi, dimana 1361 (42,2%) memenuhi kriteria
inklusi. Dari jumlah tersebut, 136 (10,0%) tidak terdaftar, meninggalkan 1.225 episode demam
pada 1180 anak-anak, dengan 1144 anak-anak memiliki satu episode, 31 anak-anak memiliki
dua episode, satu anak memiliki tiga episode, dan empat anak-anak memiliki empat episode.
Para pasien terutama didiagnosis memiliki infeksi saluran pernapasan bawah (38,3%), demam
tak terdiferensiasi (25,5%), atau penyakit diare (19,5%). Dari 1180 anak yang terdaftar, ada 69
kematian, penyebabnya adalah: pneumonia klinis tanpa organisme / virus yang diidentifikasi
(12 kasus, 27,5%), infeksi virus dengue (sebelas kasus, termasuk satu dengan melioidosis, dua
dengan ada tifus scrub, dan empat dengan pneumonia klinis ada, 15,9%), dan melioidosis
(empat kasus, 5,8%). 941 episode non-dengue dan 86 episode tanpa sampel yang tersedia
dikeluarkan dari analisis ini. Detail lebih lanjut dapat ditemukan di laporan asli. Dari 198
dikonfirmasi episode dengue, 43 episode diperlukan masuk ICU, dengan 29 dari mereka
diklasifikasikan sebagai demam berdarah berat berdasarkan tanda-tanda klinis mereka,
didukung oleh dua pendapat klinis independen. Sembilan episode dengue parah tambahan
dimasukkan dari penerimaan non-ICU, membuat total 38 episode dengue berat. Ada sebelas
kematian di rumah sakit di antara semua ICU mengakui pasien dengan infeksi virus dengue,
namun demam berdarah adalah diagnosis utama hanya dalam lima dari ini. Oleh karena itu,
hanya lima kasus ini termasuk dalam kelompok dengue berat. Diagram alur penelitian
ditunjukkan pada Gambar. 1. Gambaran klinis, termasuk darah dalam tinja, pembesaran hati,
masuk ICU, jumlah hari di ICU, hematokrit rendah atau tinggi, jumlah WBC rendah atau
tinggi, kreatinin tinggi, urea tinggi, jumlah trombosit yang rendah, denyut nadi cepat, laju
pernapasan cepat, Glasgow Coma Score (GCS) rendah, efusi pleura (hanya satu kasus), nyeri
perut, protein urin, RBC urin, dan ALT tinggi, dianggap berdasarkan kasus per kasus. ketika
dokter mengelompokkan demam berdarah sebagai parah atau tidak parah. Gambaran klinis dan
indikator laboratorium dari 38 kasus dengue berat ditunjukkan pada Tabel 1. Tiga fitur yang
paling umum di antara pasien dengan penyakit berat adalah masuk ICU (76,3%), laju
pernapasan cepat (81,5%), dan denyut nadi cepat (65,7%). ). Dengue berat lebih sering terjadi
pada anak-anak berusia kurang dari lima tahun. Muntah dan sakit perut secara signifikan lebih
umum pada kelompok dengue berat, seperti denyut nadi cepat dan laju pernapasan,
peningkatan waktu pengisian kapiler, dan GCS rendah. Proporsi pasien dengan dengue berat
yang lebih tinggi secara signifikan disertai hematokrit yang lebih rendah, jumlah WBC dan
limfosit yang lebih tinggi, tingkat ALT yang lebih tinggi, bersama dengan kehadiran RBC urin
(Tabel 2). Algoritma pohon keputusan akhir termasuk lima parameter klinis dan laboratorium:
hematokrit, GCS, protein urin, kreatinin, dan jumlah trombosit. Sensitivitas dan spesifisitas
model adalah 60,5% dan 65%, masing-masing (Gbr. 2). Akurasi model adalah 64,1%, di mana
diagnosis klinis digunakan sebagai nilai referensi. Area di bawah kurva karakteristik operasi
penerima (ROC) untuk regresi logistik adalah 0,616. Pohon keputusan terakhir kemudian
direstrukturisasi menggunakan analisis regresi logistik untuk memperkirakan dampak dari
setiap variabel yang dipilih CART yang diwakili oleh OR dan 95% CI.

Tabel 3 memberikan perkiraan OR untuk setiap parameter yang dipilih oleh CART. Hematokrit
rendah, GCS rendah, jumlah trombosit yang rendah, keberadaan protein urin, dan kreatinin
tinggi meningkatkan kemungkinan diagnosis dengue berat, dengan OR signifikan mulai dari
1,47 hingga 13,73. Parameter yang secara statistik terkait dengan dengue berat adalah 1)
hematokrit rendah (OR = 7,114, 95% CI = 3,00–16,87, p <0,001) dan 2) GCS rendah (OR =
13,73, 95% CI = 3,46-54,50, p <0,001). Meskipun jumlah trombosit rendah (OR = 2,33, 95%
CI = 0,95-5,76), keberadaan protein urin (OR = 1,83, 95% CI = 0,78-4,32) dan peningkatan
kreatinin serum (OR = 1,47, 95% CI = 0,51– 4.25) dikaitkan dengan peningkatan risiko
keparahan, mereka tidak terbukti signifikan secara statistik oleh regresi analisis (Tabel 3).

Diskusi
Dengan menggunakan pendekatan data mining, kami telah mengembangkan suatu algoritma
menggunakan manifestasi klinis sederhana dan indikator laboratorium untuk memprediksi
tingkat keparahan demam berdarah selama fase awal penyakit. Algoritma terakhir untuk
memprediksi dengue berat (Gbr. 2) terdiri dari enam komponen dalam urutan signifikansi
mereka. Faktor yang paling signifikan dalam memprediksi dengue berat adalah hematokrit
rendah, diikuti oleh GCS 11 atau di bawah sebagai perpecahan kedua jika hematokrit lebih
besar dari 28, keberadaan protein urin dan kreatinin di atas 84 μmol / l sebagai perpecahan
ketiga jika GCS adalah di atas 11, dan akhirnya jumlah trombosit 146.000 per mm3 atau kurang
sebagai perpecahan akhir, jika keberadaan protein dan kreatinin urin berada di bawah 84 umol
/ l. Membandingkan algoritma yang kami hasilkan dengan yang dilaporkan dalam studi
sebelumnya, kami menemukan persamaan dan perbedaan. Potts dkk. membangun algoritma
keputusan untuk memprediksi Dengue Shock Syndrome (DSS) atau dengue dengan efusi
pleura yang signifikan. Algoritma mencapai sensitivitas tinggi 97%. Kedua hematokrit dan
jumlah trombosit yang rendah juga diidentifikasi sebagai faktor prediktif dalam pekerjaan
mereka, meskipun nilai cut-off yang digunakan dalam algoritma kami lebih ekstrim, yaitu
untuk hematokrit ≤ 28 vs ≤ 40, dan untuk jumlah trombosit ≤ 146.000 vs. ≤ 160.200 .
Mekanisme dimana thrombocytopaenia disebabkan oleh virus dengue adalah kompleks.
Penelitian sebelumnya menunjukkan bahwa virus mungkin berkontribusi terhadap supresi
sumsum tulang dan destruksi platelet [28, 29]. Untuk memenuhi pedoman WHO untuk
mengklasifikasikan pasien dengan DBD, trombositopenia (jumlah trombosit ≤ 100.000)
diperlukan. Srikiatkhachorn dkk. menunjukkan bahwa trombositopenia terkait dengan
keparahan demam berdarah dan bahwa tidak semua kasus berat akan diklasifikasikan sebagai
DBD sesuai dengan kriteria WHO. Meskipun thrombocytopaenia menunjukkan bahwa infeksi
dengue parah, jumlah trombosit yang rendah juga umum di antara OFI seperti malaria dan tifus
scrub. Definisi WHO tahun 1997 tentang DBD menyatakan bahwa jumlah trombosit yang
rendah (≤ 100.000), bersama dengan peningkatan hematokrit ≥ 20% di atas nilai baseline,
merupakan indikasi kebocoran plasma. Sebaliknya, hasil kami dan hasil Potts et al.
menyarankan penurunan hematokrit sebagai tanda keparahan, terutama di antara pasien dengan
perdarahan internal di daerah-daerah seperti saluran gastrointestinal. Hasil kami juga
menyarankan nilai hematokrit yang lebih ekstrim dibandingkan dengan penelitian sebelumnya
(28% vs 40%). Meskipun Potts dkk. Hitung WBC dan persentase monosit yang diidentifikasi
sebagai penting, analisis kami tidak mengidentifikasi hasil monosit sebagai signifikan bahkan
ketika dimasukkan dalam algoritma pohon keputusan. Selain itu, Potts dkk. dievaluasi
prediktor untuk DSS dan dengue dengan efusi pleura yang signifikan, sedangkan dalam
penelitian kami dengue berat dibedakan berdasarkan fitur klinis dan indikator laboratorium.
Penelitian lain baru-baru ini, oleh Tamibmaniam et al., Menggunakan regresi logistik
sederhana dan mengidentifikasi tiga parameter, termasuk muntah, efusi pleura, dan tekanan
darah sistolik rendah, untuk memprediksi dengue berat berdasarkan kriteria WHO tahun 2009.
Studi ini tidak secara khusus berfokus pada anak-anak dan hanya mencakup pasien wanita.
Sensitivitas dan spesifisitas yang dicapai dalam algoritma keputusannya adalah 81% dan 54%,
masing-masing. Dari tiga parameter yang mereka identifikasi, muntah adalah satu-satunya
parameter yang tersedia dalam penelitian kami, dan meskipun awalnya tampak signifikan pada
kelompok berat, tetapi tidak dipilih untuk pohon terakhir.
Meskipun menggunakan pendekatan serupa untuk memprediksi hasil yang agak mirip dengan
penelitian yang disebutkan di atas, kami mengidentifikasi parameter tambahan yang terkait
dengan tingkat keparahan demam berdarah, termasuk GCS, protein urin, dan kreatinin serum.
Ada sejumlah penjelasan yang mungkin untuk perbedaan ini, sebagaimana diuraikan di bawah
ini. GCS digunakan untuk mengukur tingkat kesadaran (perubahan status mental). Dalam hasil
kami, simpul dengan GCS ≤ 11 (dianggap moderat) dalam model itu signifikan. Rao et al.
menunjukkan bahwa pasien dengan ensefalitis dengue memiliki GCS 7–8 dan dukungan
intubasi dan ventilator mekanik yang direkomendasikan selama perawatan di rumah sakit.
Penelitian sebelumnya di mana protein urin dikaitkan dengan DHF atau DSS menggunakan
rasio protein-ke-kreatinin urin, tetapi kami hanya menggunakan dipstik urin untuk ukuran ini.
Kehadiran protein urin pada demam berdarah berat bisa disebabkan oleh kebocoran plasma.
Peningkatan kadar kreatinin serum menunjukkan disfungsi ginjal. Pada pasien dengan DBD,
peningkatan ringan kreatinin serum adalah umum, berbeda dengan tingkat yang lebih tinggi
yang terlihat pada kasus demam berdarah berat. Model kami menunjukkan bahwa tingkat
kreatinin serum> 84 mmol / l (4,6 mg / dl) dikaitkan dengan dengue berat, nilai yang serupa
dengan yang ditemukan pada pasien anak Thailand dengan DBD, yang berarti kreatinin serum
adalah 4,9 mg / dl. Analisis itu juga menunjukkan bahwa 24 dari 25 pasien dengan cedera ginjal
akut (AKI) memiliki DSS sebagai diagnosis akhir. Dari 25 pasien dengan AKI terkait DBD,
16 (64%) meninggal sebagai akibat dari syok yang sangat dalam, bersama dengan kondisi lain
seperti gagal hati, gagal napas, dan perdarahan hebat. Studi pada orang dewasa telah
melaporkan kejadian AKI 14,2% di antara pasien dengue, dan mereka dengan AKI melihat
morbiditas dan mortalitas yang signifikan, tinggal di rumah sakit yang lebih lama, dan hasil
ginjal yang buruk. Diagnosis dini infeksi dengue, karakteristik klinis dan laboratorium yang
diketahui dan faktor-faktor risiko bersama dengan deteksi dini AKI menggunakan kriteria yang
tepat, dan pemantauan tanda-tanda peringatan dengue berat, sangat penting jika AKI dan
komplikasi lain harus dihindari.
Meskipun dua set kriteria WHO dari tahun 1997 dan 2009 masih bisa diperdebatkan dalam hal
kemampuan mereka untuk membedakan dengue secara tepat dari OFI dan untuk
mengklasifikasikan keparahan penyakit, masalah ini diperparah oleh kurangnya data kunci di
rangkaian miskin sumber daya, sehingga sulit untuk menerapkan kriteria. Sebagai contoh, kami
tidak memiliki informasi mengenai lokasi perdarahan klinis, dan hanya mampu mendeteksi
perdarahan gastrointestinal berdasarkan pemeriksaan tinja. Selain itu, ada kurangnya informasi
mengenai tekanan darah atau tekanan nadi yang sempit untuk menunjukkan apakah pasien
mengalami syok, tidak ada data tentang kegelisahan yang menunjukkan kegagalan sirkulasi,
dan tidak ada hasil rontgen dada untuk mengevaluasi efusi pleura atau ultrasound perut untuk
mendeteksi asites, keduanya penting untuk mengidentifikasi kebocoran plasma. Pedoman
demam berdarah 1997 dan 2009 juga memasukkan tes tourniquet sebagai alat diagnostik untuk
demam berdarah pada frasa demam dini. Namun, tes tourniquet telah terbukti memiliki
sensitivitas rendah untuk diagnosis dengue, sehingga hasil negatif tidak mengecualikan infeksi
dengue. Tes tourniquet belum dilakukan untuk sebagian besar pasien di set data kami dan
dengan demikian tidak termasuk dalam analisis.
Mengenai dua pendekatan yang digunakan dalam penelitian ini, CART versus pendekatan
regresi logistik yang lebih konvensional, beberapa poin perlu disebutkan di sini. Pertama, fokus
utama kami adalah membangun model pohon keputusan dari analisis CART. CART adalah
non-parametrik, dan dapat memanipulasi data numerik yang mungkin sangat miring, multi-
modal, ordinal atau non-ordinal dalam struktur. CART tidak terpengaruh secara signifikan oleh
outlier dalam variabel input. Output dari CART dalam bentuk pohon keputusan mudah diikuti
dan memberikan beberapa informasi visual pada kepentingan hirarkis variabel dari atas ke
bawah pohon, meskipun menghitung pentingnya matriks prediktor dalam CART tidak
langsung . Dalam penelitian ini, oleh karena itu, kami menghitung pentingnya setiap prediktor
pohon keputusan melalui rasio odds yang dihitung dengan regresi logistik. Kedua, cara di mana
batas keputusan dihasilkan dalam dua pendekatan berbeda. Sementara regresi logistik
menghasilkan batas tunggal, pohon keputusan pada dasarnya partisi ruang data menjadi
setengah ruang menggunakan batas-batas keputusan linier linear, memberikan batas keputusan
non-linear. Salah satu pendekatan mungkin lebih dapat diterapkan tergantung pada pengaturan.
Akhirnya, keakuratan model diukur dengan cara yang berbeda untuk masing-masing dari dua
pendekatan. Untuk model pohon keputusan, akurasi luar sampel diperkirakan melalui validasi
silang, yaitu fungsi lintas-validasi 10 kali lipat di Weka memungkinkan kami melakukan
validasi silang dan melaporkan keakuratan model dengan mudah. Untuk regresi logistik,
bagaimanapun, akurasi model diperkirakan dari tabel klasifikasi, yang menunjukkan jumlah
yang diamati terhadap hasil yang diprediksi, menggunakan nilai cut-off default 0,5 untuk
probabilitas yang diprediksi. Untuk semua alasan di atas, akan sulit untuk membandingkan
manfaat relatif dari dua metode yang digunakan dalam penelitian kami
Ada beberapa keterbatasan berkaitan dengan dataset yang digunakan untuk penelitian ini.
Pertama, data berasal dari hanya satu rumah sakit, indikator lebih lanjut dari sumber daya
miskin di kawasan Asia Tenggara di mana demam berdarah adalah endemik. Kedua, karena
kurangnya hasil antibodi IgG tidak mungkin untuk menafsirkan apakah kasus adalah infeksi
dengue primer atau sekunder. Informasi ini berpotensi menjadi indikator awal yang berguna
untuk tingkat keparahan infeksi dengue. Ketiga, algoritma ini berasal dari data yang
dikumpulkan dalam 48 jam penerimaan di antara anak-anak berusia kurang dari 16 tahun. Jika
model itu digunakan untuk pasien yang lebih tua atau di daerah yang berbeda, beberapa
penyesuaian mungkin diperlukan.
Meskipun kohort dari 198 pasien dengan confirmdengue relatif kecil, dengan subset yang lebih
kecil dari hanya 38 kasus dengue berat, model sederhana yang kami peroleh masih mungkin
berguna karena mencakup sejumlah kecil variabel prediktif yang mungkin akan tersedia di
pengaturan serupa. Selain itu, penelitian sebelumnya oleh Carter et al. menunjukkan bahwa tes
diagnostik cepat DENV (RDT) memiliki sensitivitas rendah untuk diagnosis infeksi dengue.
Namun, pengembangan tes diagnostik untuk demam berdarah telah berkembang pesat. Tes
NS1 khususnya telah banyak tersedia di banyak rangkaian terbatas sumber daya. Sangat mudah
digunakan dan memiliki akurasi yang dapat diterima. Jika diagnosis cepat dengue
menggunakan NS1 dapat dicapai, algoritma kami akan terbukti sangat berguna. Ini juga
menyoroti pentingnya anak-anak yang menghadiri tes segera setelah DBD dicurigai, karena
deteksi NS1 optimal selama tujuh hari pertama infeksi. Algoritme akan menjadi lebih relevan
dan berguna karena diagnosis cepat demam berdarah menjadi lebih umum. Dengan
menggunakan algoritme sederhana kami untuk membantu mengidentifikasi dan memprediksi
dengue berat, kami percaya bahwa akan ada lebih banyak ruang untuk fokus pada penyakit
bakteri lain yang lebih serius, yang semuanya umum dalam pengaturan sumber daya yang
buruk ini.

Kesimpulan
Algoritma pohon keputusan kami menggunakan indikator klinis dan laboratorium sederhana
memiliki akurasi klasifikasi yang moderat untuk memprediksi perkembangan demam berdarah
berat di antara pasien anak dengan infeksi DENV yang dikonfirmasi. Model ini menunjukkan
pentingnya kadar hematokrit dan trombosit untuk memantau tingkat keparahan demam
berdarah, seperti yang ditunjukkan oleh kriteria WHO dan studi sebelumnya. Algoritma kami
menawarkan indikator sederhana untuk tingkat keparahan, termasuk hematokrit, GCS, protein
urin, kreatinin, dan jumlah trombosit, yang semuanya diukur saat masuk. Model ini berpotensi
berguna untuk membimbing pemantauan rawat inap dan manajemen rawat jalan dari kasus
demam. Model ini memerlukan validasi lebih lanjut terhadap dataset lain dari penelitian kohort
yang dilakukan di berbagai pengaturan, dengan tujuan untuk membentuk algoritma universal
untuk membimbing manajemen klinis demam berdarah berat di rangkaian terbatas sumber
daya.