Sejarah Pembelajaran Mesin dalam

Dunia Kesehatan

sumber: Stanford Medicine

Kecerdasan buatan atau AI adalah salah satu cabang dari ilmu komputer yang membuat mesin di dalam
komputer tersebut, nantinya mesin ini dapat melakukan pekerjaan dengan sendirinya tanpa diatur
oleh seorang programmer. Peran programmer memang penting jika dikaitkan dalam AI dimana
programmer hanya memastikan bahwa AI itu jalan tanpa dipantau secara terus-menerus. Ilmu
komputer memiliki banyak sekali cabang tapi berbeda dengan AI cabang ini merupakan sesuatu yang
dapat bekerja layaknya seperti manusia dapat mengerjakan segala sesuatu yang dikerjakan oleh
manusia (Hamson et al. 2021).

Sama halnya dengan teknologi, kecerdasan buatan juga diciptakan manusia untuk menyelesaikan
masalah. Kecerdasan buatan atau AI adalah salah satu cabang dari ilmu komputer yang membuat
mesin di dalam komputer tersebut, nantinya mesin ini dapat melakukan pekerjaan dengan sendirinya
tanpa diatur oleh seorang programmer.

Peran programmer memang penting jika dikaitkan dalam AI dimana programmer hanya memastikan
bahwa AI itu jalan tanpa dipantau secara terus-menerus. Ilmu komputer memiliki banyak sekali cabang
tapi berbeda dengan AI cabang ini merupakan sesuatu yang dapat bekerja layaknya seperti manusia
dapat mengerjakan segala sesuatu yang dikerjakan oleh manusia (Hamson et al., 2021).
1. Pemeriksaan dan Diagnosis

Algoritma pembelajaran mesin telah digunakan untuk menganalisis gambar medis (seperti sinar-X,
MRI, dan CT scan) guna deteksi dan diagnosis dini penyakit. Algoritma ini dapat membantu
mengidentifikasi pola dan anomali yang mungkin sulit dideteksi oleh klinisi manusia, membantu
diagnosis tepat waktu untuk kondisi seperti kanker dan gangguan saraf.

2. Uji Klinis Adaptif:

Pembelajaran mesin telah digunakan untuk merancang dan mengoptimalkan uji klinis. Dengan
menganalisis kumpulan data besar, algoritma pembelajaran mesin dapat membantu peneliti
mengidentifikasi populasi pasien yang paling mungkin memberikan respons positif terhadap
pengobatan baru, dengan demikian meningkatkan efisiensi uji klinis.

3. Riset Operasional:

Pembelajaran mesin telah diterapkan untuk mengoptimalkan operasi rumah sakit, alokasi sumber
daya, dan alur pasien. Algoritma dapat memprediksi tingkat penerimaan pasien, waktu pulang, dan
variabel lainnya, membantu fasilitas kesehatan mengelola sumber daya mereka dengan lebih efektif.

4. Kesehatan di Rumah dan Perangkat Wearable:

Perangkat wearable yang dilengkapi dengan sensor dapat terus memantau tanda-tanda vital pasien,
aktivitas fisik, dan metrik kesehatan lainnya. Pembelajaran mesin dapat menganalisis data ini untuk
mendeteksi pola yang mungkin mengindikasikan masalah kesehatan, memungkinkan intervensi dini
dan pemantauan pasien jarak jauh.

5. Kedokteran Presisi:

Pembelajaran mesin memainkan peran penting dalam menyesuaikan pengobatan medis untuk pasien
individual berdasarkan penampilan genetik, gaya hidup, dan faktor lainnya. Dengan menganalisis data
genom dalam skala besar, algoritma pembelajaran mesin dapat mengidentifikasi opsi pengobatan yang
dipersonalisasi dan memprediksi respons obat.

6. Kesehatan Global:

Pembelajaran mesin telah diterapkan untuk memprediksi wabah penyakit, melacak penyebaran
penyakit menular, dan membantu alokasi sumber daya selama krisis kesehatan global. Algoritma ini
dapat memproses dan menganalisis jumlah data yang besar untuk memberikan wawasan bagi respons
kesehatan masyarakat yang efektif.

7. Robotika:

Robotika, sering kali dikombinasikan dengan pembelajaran mesin, telah dimanfaatkan dalam prosedur
bedah, rehabilitasi, dan perawatan lansia. Sistem robotik dapat meningkatkan presisi bedah dan
memungkinkan bedah jarak jauh, sambil juga membantu pasien dalam pemulihan dan aktivitas sehari-
hari.
8. Penemuan dan Desain Obat:

Pembelajaran mesin mempercepat proses penemuan obat dengan menganalisis interaksi molekuler,
memprediksi kandidat obat potensial, dan mensimulasikan efek senyawa berbeda. Hal ini dapat
mengurangi waktu dan biaya yang diperlukan untuk menghadirkan obat-obatan baru ke pasar.

9. Analisis Genomik:

Algoritma pembelajaran mesin menganalisis data genomik untuk mengidentifikasi mutasi genetik,
memahami mekanisme penyakit, dan memprediksi risiko penyakit. Informasi ini dapat memandu
pengambilan keputusan klinis dan pengembangan terapi yang ditargetkan.

darftar pustaka:

Schwartz, W. B. (1970). Medicine and the computer: the promise and problems of change. In Use and
Impact of Computers in Clinical Medicine (pp. 321-335). Springer, New York, NY.
https://www.nejm.org/doi/full/10.1056/NEJM197012032832305

Liu, Y., Chen, P. H. C., Krause, J., & Peng, L. (2019). How to read articles that use machine learning:
users’ guides to the medical literature. Jama, 322(18), 1806-1816.
https://jamanetwork.com/journals/jama/fullarticle/2754798

Matheny, M. E., Whicher, D., & Israni, S. T. (2020). Artificial Intelligence in health Care: A report from
the National Academy of Medicine. Jama, 323(6), 509-510.
https://jamanetwork.com/journals/jama/fullarticle/2757958

Office, U. (2020, January 21). Artificial Intelligence in Health Care: Benefits and Challenges of
Machine Learning in Drug Development [Reissued with revisions on Jan. 31, 2020.].
https://www.gao.gov/products/GAO-20-215SP