AI Dan Kardiologi
AI Dan Kardiologi
1
Fakultas Kedokteran Universitas Muhammadiyah Prof. Dr. Hamka, Tangerang, Banten, Indonesia
E-mail : sidhilaksono@uhamka.ac.id
2
Fakultas Kedokteran Universitas Sebelas Maret, Surakarta, Jawa Tengah, Indonesia
Abstrak
Dalam diagnosis dan terapi pasien dengan gangguan jantung masih terdapat keterbatasan-keterbatasan tertentu.
Teknologi medis berbasis artificial intelligence berkembang dengan pesat sebagai solusi yang dapat diterapkan
untuk praktik klinis. Artificial intelligence sendiri merupakan istilah yang digunakan dalam pemanfaatan
teknologi dan komputer untuk mensimulasikan perilaku cerdas dan pemikiran kritis yang sebanding dengan
manusia. Saat ini, hanya pengaturan tertentu dalam praktik klinis yang mendapat manfaat dari penerapan
artificial intelligence. Artificial intelligence menawarkan solusi akan beberapa permasalahan pada kardiologi.
Artificial intelligence berpotensi meningkatkan kualitas pelayanan kedokteran pada bidang kardiologi. Perlu
adanya standar tertentu dalam manajemen kedokteran berbasis artificial intelligence.
Katakunci — Artificial Intelligence, Cardiac Diagnostic, Cardiac Examination, Cardiology, Deep Learning,
Machine Learning
Abstract
There are certain limitations in the diagnosis and therapy of patients with heart problem. Artificial intelligence-
based medical technology is rapidly developing as a solution that can be applied to clinical practice. Artificial
intelligence itself is a term used in the utilization of technology and computers to simulate intelligent behavior
and critical thinking that comparable to humans. Currently, only certain settings in clinical practice benefit
from implementing artificial intelligence. Artificial intelligence offers solution to several problems in
cardiology. Artificial intelligence has the potential to improve the quality of medical services in cardiology.
Certain standards required in artificial intelligence-based medical management.
Keywords— Artificial Intelligence, Cardiac Diagnostic, Cardiac Examination, Cardiology, Deep Learning,
Machine Learning
berfungsi sebagai dasar dari sebagian besar menggunakan metode statistik untuk
fungsi AI. Perbedaan dari kedua subbidang memungkinkan mesin meningkatkan
ini dapat diamati lebih lanjut pada Tabel pengalaman. Pembelajaran mesin
2.1.4 memungkinkan komputer untuk mengambil
data yang dimasukkan, belajar dari data ini,
Pembelajaran mendalam adalah bagian dari memprediksi hasil, dan meningkatkan
pembelajaran mesin yang digunakan dalam pengetahuannya sendiri tentang bagaimana
keadaan di mana sejumlah besar data harus untuk bereaksi pada saat berikutnya disajikan
diproses. Jaringan pembelajaran mendalam dengan data serupa. Pembelajaran mesin
ini didasarkan pada konfigurasi berlapis- memiliki banyak aplikasi saat ini, termasuk
lapis yang disebut neural network tiruan pemrosesan ucapan dan bahasa, pemrosesan
untuk memproses data. Neural network dan pengenalan gambar dan video,
tiruan ini, seringkali memiliki kedalaman kendaraan otonom, dan komputer dalam
hingga ratusan lapisan, dapat melatih diri bermain game.4
mereka sendiri dari kumpulan data berjumlah
besar dan membuat prediksi akurat pada Pembelajaran mesin dapat dikembangkan
input data baru. Hal ini juga memiliki dengan pembelajaran yang diawasi atau
kemampuan untuk belajar dari pengalaman pembelajaran tanpa pengawasan. Perbedaan
mereka tetapi membutuhkan kumpulan data sederhana antara keduanya adalah bahwa
“pelatihan” awal yang akurat dan tanpa bias. pembelajaran tanpa pengawasan
Pelatihan tanpa bias sangat penting. Data menggunakan data yang tidak berlabel,
awal harus bebas dari pengaruh luar yang sedangkan pembelajaran yang diawasi
mungkin mengaburkan informasi, seperti menggunakan data yang berlabel atau
informasi demografis atau informasi medis diketahui. Dalam pembelajaran tanpa
tambahan yang mungkin merancukan pengawasan, mesin mengambil set data yang
diagnosis tertentu. Tanpa bias juga berarti tidak berlabel dan mendeteksi pola yang
bahwa kumpulan data “pelatihan” cukup sebelumnya tidak diketahui. Istilah
besar untuk menampung berbagai macam "pembelajaran yang diawasi" adalah proses
pasien.4 memberikan algoritma yang diketahui atau
diberi label input bersama dengan output
Pada ekokardiografi, kumpulan data yang diinginkan dan merupakan jenis
semacam itu akan mencakup studi dari kedua pembelajaran mesin yang paling umum
jenis kelamin bersama dengan kisaran indeks digunakan saat ini. Metode ini
massa tubuh, usia, dan kualitas gambar. Hal memungkinkan mesin untuk
ini sangat penting bagi mesin untuk mengklasifikasikan atau memprediksi objek,
mempelajari pola berdasarkan gambar saja. masalah, atau situasi berdasarkan data
Komponen neural network tiruan secara berlabel yang dimasukkan ke dalam mesin.
longgar terkait dengan komponen neuron Tujuan pembelajaran yang diawasi adalah
biologis yang terdiri dari beberapa lapisan di agar mesin menerima variabel input baru
mana data diproses secara berurutan hingga (tidak diajarkan) dan memprediksi variabel
keluaran akhir tercapai.4 output dengan benar. Contohnya adalah
program yang dapat menganalisis
Pembelajaran mesin menggunakan teknik ekokardiografi two view apikal dan
statistik dan data untuk belajar dari menghasilkan nilai fraksi ejeksi (EF) yang
pengalaman guna membuat prediksi dari data akurat tanpa perlu menggambarkan garis
baru. Pembelajaran mesin melibatkan batas dan menilai volume ventrikel. Karena
pemrograman komputer untuk menyimpan, program ini “dilatih” dengan ribuan gambar
mempelajari, dan menganalisis data. Sebagai dengan EF yang diketahui, program ini
bagian dari AI, pembelajaran mesin mampu menghasilkan nilai EF seakurat nilai
Email : heme@unbrah.ac.id
Heme, Vol IV No 2 133
May 2022
Email : heme@unbrah.ac.id
Heme, Vol IV No 2 135
May 2022
Email : heme@unbrah.ac.id
Heme, Vol IV No 2 137
May 2022
Imaging. 2018;11(7):1000-1009.
doi:10.1016/j.jcmg.2017.07.024
[18] Kasprzak JD, Pawlowski J, Peruga JZ, Kaminski
J, Lipiec P. First-in-man experience with real-
time holographic mixed reality display of three-
dimensional echocardiography during structural
intervention: balloon mitral commissurotomy.
European Heart Journal. Published online April
12, 2019. doi:10.1093/eurheartj/ehz127
[19] Kasprzak JD, Witowski J, Pawlowski J, Peruga
JZ, Złahoda-Huzior A. Percutaneous patent
ductus arteriosus closure using intraprocedural
mixed reality visualization of 3D computed
tomography angiography data: first-in-man
experience. European Heart Journal -
Cardiovascular Imaging. 2019;20(7):839-839.
doi:10.1093/ehjci/jez008
[20] Zhu B, Liu JZ, Cauley SF, Rosen BR, Rosen MS.
Image reconstruction by domain-transform
manifold learning. Nature. 2018;555(7697):487-
492. doi:10.1038/nature25988
[21] Shrestha S, Sengupta PP. Machine learning for
nuclear cardiology: The way forward. J Nucl
Cardiol. 2019;26(5):1755-1758.
doi:10.1007/s12350-018-1284-x