Artificial Intelligence Rehab
Artificial Intelligence Rehab
Disusun oleh:
C215221005
Pembimbing:
FAKULTYAS KEDOKTERAN
UNIVERSITAS HASANUDDIN
MAKASSAR
2023
ii
HALAMAN PENGESAHAN
NIM : C215221005
Telah disetujui untuk dibawakan sebagai salah satu syarat akademik Program Studi
Supervisor Pembimbing
ii
iii
DAFTAR ISI
HALAMAN PENGESAHAN....................................................................... ii
iii
iv
iv
v
DAFTAR SINGKATAN
AI = Aritificial Intelligence
ML = Machine Learning
DL = Deep Learning
IMU =
v
vi
DAFTAR GAMBAR
Gambar 2.2 Ilustrasi metode ML dan DL (Meskó & Görög, 2020) ..................... 16
............................................................................................................................... 17
al., 2022)………………………………………………………………………….20
Gambar 3.3 Integrasi smart encironment system (Luxton & Riek, 2019) ............ 22
Gambar 3.4 Pengaturan kamera smartphone dengan aplikasi Motion Coach (Biebl
et al., 2021)\........................................................................................................... 27
Gambar 3.5 Contoh titik tubuh yang akan diinterpretasikan dalam aplikasi Motion
Gambar 3 6 Gambar depan perangkat Muscle Rehab (Zhu et al., 2022) .............. 30
Gambar 3.7 Latihan dengan pelatih robot (Simonov & Delconte, 2015) ............. 32
vi
BAB 1
PENDAHULUAN
dalam memperoleh tempatnya sebagai salah satu teknologi paling menarik dan
startup yang menggunakan AI. AI oleh Apple yaitu Siri dan Alexa yaitu Amazon
untuk menentukan rekomendasi apa yang akan mereka berikan untuk penggunanya.
kesehatan, namun belum ada bukti yang cukup bagi masyarakat umum dan
komunitas medis untuk mengadopsi teknologi ini. Teknologi ini masih dalam tahap
awal perkembangannya dan setiap tahun semakin banyak studi yang dipublikasikan
pelayanan kesehatan dan dapat diterapkan secara luas hanya jika para profesional
1
2
dalam proses ini. Untuk itu, penting bagi dokter untuk memahami dasar-dasar
studi dan validasi klinis berbasis AI, serta mengetahui keterbatasan dan peluang
Tinjauan pustaka ini dibuat sebagai salah satu sumber informasi yang perlu
rehabilitasi, di era AI. Di sini juga saya akan menjelaskan definisi dan cara kerja AI,
balik tirai dan manusia berinteraksi dengan itu (dengan cara apa pun,
misalnya audio atau melalui pengetikan, dll.) dan jika manusia merasa seperti
dia sedang berinteraksi dengan manusia lain, maka mesin tersebut dianggap
pun dalam waktu singkat, tetapi lebih berarti membangun perangkat yang
modern, setiap kali kita berbicara tentang AI, maksudnya adalah perangkat
yang mampu melakukan satu atau beberapa tugas seperti: memahami bahasa
melibatkan data besar dalam waktu singkat dan memberikan jawaban dengan
Ada dua aspek dalam AI yang dipandang dari sudut pandang perilaku
3
4
dari tahun 1940-an, tepatnya 1942, dimana penulis American Science Fiction,
berkisah tentang robot yang dikembangkan oleh teknisi Gregory Powell dan
Mike Donavan, berkembang di sekitar Three Laws of Robotics: (1) robot tidak
robot harus mematuhi perintah yang diberikan padanya oleh manusia kecuali
dimana perintah itu mengalami konflik dengan aturan pertama; dan (3) robot
aturan pertama dan kedua. Karya Asimov inilah yang menginspirasi ilmuwan
di bidang robotik, AI, dan computer science, dan diantara mereka yaitu
ilmuwan kognitif Amerika Marvin Minsky (salah satu yang mendirikan MIT
Pada waktu yang sama, tetapi berjarak lebih dari 3.000 mil jauhnya,
yang jauh lebih nyata dan mengembangkan mesin pembobol kode yang
menguraikan kode Enigma yang digunakan oleh tentara Jerman dalam Perang
Dunia II. Sebuah tugas yang sebelumnya tidak mungkin dilakukan oleh
membuat Turing heran akan kepintaran mesin tersebut. Pada tahun 1950, ia
dan khususnya bagaimana menguji kecerdasan mereka. Tes Turing ini masih
sistem buatan: jika seorang manusia berinteraksi dengan manusia lain dan
mesin, dan tidak dapat membedakan mesin tersebut dari manusia, maka mesin
kemudian, pada tahun 1956 ketika Marvin Minsky dan John McCarthy
DSRPAI adalah untuk menyatukan para peneliti dari berbagai bidang dengan
Kaplan, 2019).
berbasis data yang murni, yang menghindari pembuatan aturan secara manual
sebelumnya hanya bisa dilakukan oleh manusia. Robot arm industri pertama
dalam mengadopsi AI. Namun, periode awal ini merupakan waktu penting
analisis dan pemulihan literatur medis serta mesin pencarian berbasis web,
Sistem-sistem ini bergantung pada aturan yang dikodekan secara jelas yang
dirancang oleh para ahli untuk mengatasi masalah yang ditentukan dengan
jelas dan terbatas. Sistem ini sangat efektif untuk pengaplikasian yang
manusia yang banyak untuk memasukkan semua data dan melakukan update
Sebagian besar periode waktu ini disebut sebagai "AI winter," yang
antibiotik yang tepat untuk infeksi bakteri berdasarkan gejala dan informasi
jaringan antara peneliti klinis dan biomedis dari beberapa institusi. Sebagian
merupakan kolaborasi awal di antara para pionir dalam bidang AIM (Kaul et
al., 2020).
9
atas menetapkan panggung bagi era modern AIM (Kaul et al., 2020).
domain terbuka, yang diberi nama Watson, yang berkompetisi dengan peserta
televisi ”Jeopardy!” pada tahun 2011. Teknologi ini, yang disebut DeepQA,
pada konten yang tak terstruktur guna menghasilkan jawaban yang mungkin.
Sistem ini lebih mudah tersedia untuk digunakan, lebih mudah dipelihara, dan
perangkat lunak komputer yang lebih baik, kedokteran digital menjadi lebih
mudah tersedia, dan AIM mulai tumbuh dengan cepat. Pemrosesan bahasa
virtual Apple, Siri, pada tahun 2011, dan asisten virtual Amazon, Alexa, pada
10
tahun 2014. Pharmabot adalah chatbot yang dikembangkan pada tahun 2015
untuk membantu pendidikan obat bagi pasien anak-anak dan orang tua
ketika ML terlalu fokus pada satu set data tertentu dan tidak dapat memproses
dataset baru dengan akurasi, yang dapat disebabkan oleh kapasitas komputasi
berhasil diatasi pada tahun 2000-an dengan tersedianya dataset yang lebih
besar dan peningkatan daya komputasi yang signifikan (Kaul et al., 2020).
data. Karena tantangan dan tugas yang begitu rumit dalam bidang medis,
berdasarkan data baru (Holzinger et al., 2019; Meskó & Görög, 2020; Yu et
al., 2018)
11
Jika saya ingin menulis program yang dapat mendeteksi kucing pada
foto, lebih baik menggunakan ML. Bagaimana cara Anda mendeteksi kucing
menggambarkan kucing secara mudah seperti memiliki dua telinga, dua mata,
empat kaki, dan sebagainya, Anda akan menemukan diri Anda dalam situasi
di mana Anda juga harus mendefinisikan semua ekspresi tersebut. Apa itu
telinga bagi sebuah program yang hanya "melihat" piksel-piksel pada foto?
Oleh karena itu, cara yang paling efisien adalah menginput data
kucing yang telah dianotasi secara manual oleh manusia untuk memastikan
algoritma tersebut akan menjadi semakin baik dalam mengenali kucing pada
gambar. Meskipun algoritma tersebut tidak akan memahami apa itu kucing,
namun ia pasti akan dapat mengenali apa yang kita anggap sebagai kucing
pada foto-foto dengan tingkat efisiensi yang semakin meningkat (Meskó &
Görög, 2020).
Tidak peduli apa tugas yang ingin kita selesaikan, kita memberi input
Dengan algoritma yang lebih kompleks seperti neural network dan DL,
menyimpulkan atau strategi apa yang digunakan untuk unggul dalam sebuah
benar bahwa cara kerjanya bisa menjadi sangat kompleks dan sulit untuk
berkembang yaitu deep learning (Meskó & Görög, 2020; Yu et al., 2018)
tugas yang ingin kita ajarkan pada algoritma berdasarkan data yang kita miliki.
Mari kita ambil contoh berikut. Kita memiliki dua set catatan medis pasien,
yaitu kelompok A dan B. Pada satu set, kita memiliki riwayat keluarga,
penanda laboratorium, dan detail lainnya dengan diagnosis. Pada set lainnya,
kita memiliki jenis data yang sama namun tanpa diagnosis. Kita ingin
tepat kepada pasien dalam kelompok B berdasarkan asosiasi dan label yang
dipelajari oleh algoritma pada kelompok A. Hal ini seperti belajar dengan
13
seorang guru karena kita tahu dengan pasti apa yang seharusnya algoritma
pelajari, dan ini adalah mode pelatihan yang paling sering digunakan (Meskó
Ini seperti belajar tanpa seorang guru. Kita memiliki sekelompok pasien
dengan berbagai set data, tetapi kita tidak mengetahui diagnosis individu
penanda laboratorium, atau usia dan jenis kelamin. Kita mungkin akan
contoh lain, metode ini juga dapat berguna dalam mengelompokkan sampel
jaringan berdasarkan nilai ekspresi gen yang serupa, atau dalam menemukan
aturan dasar, dan setelah gagal atau berhasil menyelesaikan tugas, guru
14
sering. Dengan cara ini, program dapat membangun pengalaman sendiri saat
melakukan tugas tersebut secara berulang-ulang. Hal ini mirip dengan cara
kita melatih anjing. Dalam sebuah contoh, penulis menggunakan metode ini
untuk menentukan dosis uji klinis, di mana algoritma belajar rejimen dosis
yang tepat untuk mengurangi diameter tumor rata-rata pada pasien yang
reinforcement learning dalam bidang medis adalah kita tidak dapat mencoba
banyak skenario karena nyawa pasien berada dalam bahaya (Meskó & Görög,
2020).
berlapis dari artificial neural network yang terinspirasi dari jaringan saraf
suara, dan data dengan dimensi tinggi lainnya dengan hasil yang baik,
menyalakan lampu jika kita berteriak kata "gelap". Model DL, seiring
waktu, akan belajar bahwa mengatakan "saya tidak bisa melihat" atau
"di sini gelap" juga harus menyalakan lampu (Meskó & Görög, 2020).
digunakan. Ini tidak hanya tentang belajar dari data masa lalu,
signifikan pada komputer modern dan jumlah data digital yang sangat besar
contoh praktis yang dapat digunakan dalam bidang medis dengan bukti yang
cukup, antusiasme seputar topik ini sangat luar biasa. Daftar publikasi
liputan media populer (Meskó & Görög, 2020; Secinaro et al., 2021).
et al., 2019b).
rekaman dari perangkat medis atau sensor yang dipakai. Banyak platform
teknologi yang dapat terlibat dalam penghasilan atau pengumpulan data ini,
data menjadi lebih mudah. Integrasi big data tentang kesehatan dan penyakit
pada pasien, dokter, rumah sakit, otoritas kesehatan, dan badan regulasi (He
et al., 2019a).
terlebih dahulu oleh dokter radiologis, atau AI dapat memeriksa gambar retina
dasarnya adalah alat triase yang digunakan untuk membedakan pasien yang
yang tidak kompleks secara teoretis namun memakan waktu lama dan tenaga
klinisi dan AI bekerja sama, menghasilkan hasil yang lebih baik daripada
keputusan klinis real-time, yang menghasilkan upaya yang lebih baik menuju
REHABILITASI
Gambar 3.1 Publikasi tentang AI sesuai spesialisasi tahun 2018-2021 (Mathur et al., 2022)
20
21
mengalami peningkatan sejak tahun 2018, dengan tahun 2020 tercatat sebagai tahun
terus bertambah (sekitar 1,5% dari seluruh populasi dunia). Namun demikian,
solusi dan teknologi perawatan kesehatan yang ada saat ini masih jauh dari
individu untuk mendapatkan akses ke sumber daya rehabilitasi. Hal ini dapat
jaringan sensor dan pendekatan teknologi lainnya seperti robotika dan brain-
Gambar 3.3 Integrasi smart encironment system (Luxton & Riek, 2019)
Sebagai efeknya, data terkait kesehatan yang dikumpulkan selama sesi tele-
23
untuk perawatan pasien. Sistem rehabilitasi yang diusulkan oleh Helmer et al.
beban target untuk latihan berdasarkan data vital pasien (Acampora et al.,
2013).
Selain itu, dengan melengkapi pasien dengan sensor tanda vital nirkabel,
gerakan pasien, menganalisis data untuk deviasi dari target gerakan personal,
dan memberikan umpan balik kepada pasien dan terapis. Stroke Rehab
untuk melatih ulang motorik yang diresepkan oleh fisioterapis dan diunggah
memberikan umpan balik kepada pasien dan terapis (Acampora et al., 2013).
(FOG). Sensor ini lebih lanjut disebut sebagai FoG aware audio cueing
system dan terbukti menunjukkan keakuratan yang tinggi (Gokul et al., 2020).
mengumpulkan data secara mudah dari beberapa jenis sensor dan masukan
data. Data dapat dikumpulkan dari jaringan sensor yang tertanam dalam
menganalisis dan memantau data secara 24/7 dan memberi peringatan kepada
Fraunhofer IPA, misalnya, adalah robot yang tersedia secara komersial yang
2019).
data yang sangat baik untuk data terkait kesehatan, serta data kontekstual
perusahaan seperti Apple, Fitbit, Jawbone, atau Nike dapat digunakan untuk
utama dari teknologi wearable, seperti smart watches, adalah bahwa mereka
berada dalam kontak fisik dengan pengguna untuk jangka waktu yang lama
dan tidak memerlukan interaksi pengguna dengan keyboard atau layar sentuh
sistem ini adalah mendeteksi jatuh dan secara otomatis memberi peringatan
kepada staf medis, layanan darurat, atau anggota keluarga jika dibutuhkan
gerakan pasien simulasi. Sistem ini dirancang untuk membedakan jatuh dari
belajar pola perilaku dan karakteristik individu dari waktu ke waktu dan
dengan demikian membantu mengurangi hasil positif palsu. Selain itu, sistem
dapat dirancang untuk menilai risiko lingkungan, seperti lampu rumah yang
mati atau jarak dekat dengan bahaya jatuh (misalnya, tangga) dan
26
pelacak mood dan perilaku (misalnya, catatan nyeri), pemantau fisiologis, dan
janji, serta layanan tele-rehabilitasi berbasis video secara sinkron (Luxton &
Riek, 2019).
Coach, diuji pada pasien osteoarthritis hip atau knee yang sedang menjalani
Gambar 3.4 Pengaturan kamera smartphone dengan aplikasi Motion Coach (Biebl et al., 2021)\
Gambar 3.5 Contoh titik tubuh yang akan diinterpretasikan dalam aplikasi Motion Coach (Biebl et al., 2021)
manusia, hewan, atau bentuk lain yang dapat dibayangkan. IVA dapat
digunakan pada komputer pribadi, ponsel seluler, dan tablet, atau bahkan pada
Riek, 2019).
2015).
(Kraus, 2015).
juga peluang bagi psikolog rehabilitasi untuk berkontribusi dalam desain dan
pengujian IVA serta memastikan bahwa IVA digunakan secara etis dan efektif
tiga dimensi. Hal ini juga memungkinkan pembuatan manusia virtual atau
yang lebih cerdas antara pengguna dan lingkungan virtual. Ini dapat
kesulitan, memberikan panduan dan umpan balik yang lebih efektif, dan
analisis data dan konteks lingkungan virtual. Ini dapat digunakan dalam
Khan, 2022).
32
mampu belajar, dan dapat memberikan pengalaman yang lebih kaya dan
3.5 Robotic
Gambar 3.7 Latihan dengan pelatih robot (Simonov & Delconte, 2015)
Sebuah studi terapi fisik pada pasien paska stroke dengan bantuan AI
dan robot pelatif. Terapis dan pasien sama-sama menunjukkan respon positif
untuk membuat pasien merasa lebih aman dan termotivasi untuk melakukan
gangguan kognitif, (2) portabilitas, dan (3) biaya (Lee et al., 2022).
dengan gangguan mobilisasi. Bagian penting dari alat baru ini yaitu teknologi
4.1 Explainability
data yang diperoleh melalui teknologi yang mereka pahami atau setidaknya
dalam kasus AI, hal ini bisa jadi tidak memungkinkan. Namun demikian,
manusia, yang saat ini dikenal sebagai transparansi "kotak hitam". Oleh
agar lebih mudah dipahami oleh para klinisi, guna meningkatkan kepercayaan
35
36
manusia daripada menggantikannya. Istilah ini juga merujuk pada nilai yang
dapat diberikan oleh AI melalui kombinasi kemampuan unik para ahli dengan
AI untuk memberikan perawatan yang lebih baik bagi pasien. Istilah serupa
bekerja sama dengan manusia secara dalam dan bermakna (Meskó & Görög,
2020).
data dari sensor kesehatan, algoritme medis, aplikasi, dan sumber informasi
lainnya. Data dapat berasal dari lembaga kesehatan atau individu. Meskipun
37
banyak kasus bahwa profil individu dapat dilacak kembali (Meskó & Görög,
2020).
sebuah robot bedah otonom melukai seorang pasien selama prosedur? Sedang
depan ketika robot dan AI, yang bertindak secara otonom, menyebabkan
pada para pencipta dan perusahaan di balik mereka (Meskó & Görög, 2020).
4.5 Kepercayaan
yang kita kenal atau apakah mobil tersebut membuat keputusan serupa dalam
keadaan darurat. Oleh karena itu, dibutuhkan waktu yang lebih lama tidak
38
hanya bagi pasien, tetapi juga bagi para profesional medis untuk
PENUTUP
dalam berbagai sektor, termasuk salah satunya adalah sektor kesehatan. Pada
pemanfaat AIM, dan bidang Kedokteran Fisik dan Rehabilitasi juga termasuk
meskipun kemajuan ini merupakan hal yang baik, hal tersebut juga
39
40
DAFTAR PUSTAKA
Acampora, G., Cook, D. J., Rashidi, P., & Vasilakos, A. V. (2013). A Survey on
Ambient Intelligence in Health Care NIH Public Access. Proc IEEE Inst
Electr Electron Eng, 101(12), 2470–2494. https://doi.org/10.1109/JPROC
Agrawal, A., Gans, J. S., & Goldfarb, A. (2017). What to Expect From Artificial
Intelligence. http://mitsmr.com/2jZdf1Y
Anderson, D. (2019). Artificial Intelligence and Applications in PM&R. American
Journal of Physical Medicine & Rehabilitation, 98(11), e128–e129.
https://doi.org/10.1097/PHM.0000000000001171
Biebl, J. T., Rykala, M., Strobel, M., Bollinger, P. K., Ulm, B., Kraft, E., Huber,
S., & Lorenz, A. (2021). App-based feedback for rehabilitation exercise
correction in patients with knee or hip osteoarthritis: Prospective cohort
study. Journal of Medical Internet Research, 23(7).
https://doi.org/10.2196/26658
Furukawa, J. I., Okajima, S., An, Q., Nakamura, Y., & Morimoto, J. (2022).
Selective Assist Strategy by Using Lightweight Carbon Frame Exoskeleton
Robot. IEEE Robotics and Automation Letters, 7(2), 3890–3897.
https://doi.org/10.1109/LRA.2022.3148799
Gennatas, E. D., & Chen, J. H. (2020). Artificial intelligence in medicine: past,
present, and future. In Artificial Intelligence in Medicine: Technical Basis
and Clinical Applications (pp. 3–18). Elsevier Applied Science.
https://doi.org/10.1016/B978-0-12-821259-2.00001-6
Gokul, H., Suresh, P., Hari Vignesh, Pravin Kumaar, P., & Vijayaraghavan, V.
(2020). Gait Recovery System for Parkinson’s Disease using Machine
Learning on Embedded Platforms. 2020 IEEE International Systems
Conference (SysCon), 1–8. http://arxiv.org/abs/2004.05811
Haenlein, M., & Kaplan, A. (2019). A brief history of artificial intelligence: On
the past, present, and future of artificial intelligence. California Management
Review, 61(4), 5–14. https://doi.org/10.1177/0008125619864925
He, J., Baxter, S. L., Xu, J., Xu, J., Zhou, X., & Zhang, K. (2019a). The practical
implementation of artificial intelligence technologies in medicine. In Nature
Medicine (Vol. 25, Issue 1, pp. 30–36). Nature Publishing Group.
https://doi.org/10.1038/s41591-018-0307-0
He, J., Baxter, S. L., Xu, J., Xu, J., Zhou, X., & Zhang, K. (2019b). The practical
implementation of artificial intelligence technologies in medicine. In Nature
Medicine (Vol. 25, Issue 1, pp. 30–36). Nature Publishing Group.
https://doi.org/10.1038/s41591-018-0307-0
41
Holzinger, A., Langs, G., Denk, H., Zatloukal, K., & Müller, H. (2019).
Causability and explainability of artificial intelligence in medicine. In Wiley
Interdisciplinary Reviews: Data Mining and Knowledge Discovery (Vol. 9,
Issue 4). Wiley-Blackwell. https://doi.org/10.1002/widm.1312
Joshi, A. V. (2020). Machine Learning and Artificial Intelligence. Springer
International Publishing. https://doi.org/10.1007/978-3-030-26622-6
Kaul, V., Enslin, S., & Gross, S. A. (2020). History of artificial intelligence in
medicine. In Gastrointestinal Endoscopy (Vol. 92, Issue 4, pp. 807–812).
Mosby Inc. https://doi.org/10.1016/j.gie.2020.06.040
Kraus, S. (2015). Intelligent Agents for Rehabilitation and Care of Disabled and
Chronic Patients *. Proceedings of the AAAI Conference on Artificial
Intelligence. https://doi.org/https://doi.org/10.1609/aaai.v29i1.9770
Lee, M. H., Siewiorek, D. P., Smailagic, A., Bernardino, A., & Badia, S. B. i.
(2022). Enabling AI and Robotic Coaches for Physical Rehabilitation
Therapy: Iterative Design and Evaluation with Therapists and Post-stroke
Survivors. International Journal of Social Robotics.
https://doi.org/10.1007/s12369-022-00883-0
Luxton, D. D., & Riek, L. D. (2019). Artificial intelligence and robotics in
rehabilitation. In Handbook of rehabilitation psychology (3rd ed.). (pp. 507–
520). American Psychological Association. https://doi.org/10.1037/0000129-
031
Mathur, P., Mishra MTech, S., Awasthi, R., Khanna, A. K., Maheshwari MPH, K.,
Papay, F. A., Naylor, A. J., Abdallah, N., Weight, C. J., Bhattacharyya, A.,
Khare, A., Singh, G., Reddy MBBS, S., Cha, J., Anand, A., Nguyen, H.,
Tandon, A., Mamillapalli, C., Pozdeyev, N., … Author Bios BrainX, F.
(2022). Artificial Intelligence in Healthcare: 2021 Year in Review.
https://www.brainxai.org
Meskó, B., & Görög, M. (2020). A short guide for medical professionals in the era
of artificial intelligence. In npj Digital Medicine (Vol. 3, Issue 1). Nature
Research. https://doi.org/10.1038/s41746-020-00333-z
Pattanshetty, R. B., & Khan, S. (2022). A Shifting Paradigm from Human
Intelligence to Artificial Intelligence in Rehabilitation: A Descriptive Review.
https://doi.org/10.4103/ijptr.ijptr_43_21
Secinaro, S., Calandra, D., Secinaro, A., Muthurangu, V., & Biancone, P. (2021).
The role of artificial intelligence in healthcare: a structured literature review.
BMC Medical Informatics and Decision Making, 21(1), 125.
https://doi.org/10.1186/s12911-021-01488-9
42