Dalam evaluasi risiko obat jantung sesuai dengan paradigma Comprehensive in vitro Proarrhythmia Assay (CiPA), berbagai model kecerdasan buatan telah digunakan. Model yang sederhana, seperti yang diusulkan Li dkk. pada 2019, menggunakan biomarker tunggal, qNet, yang mengukur total muatan listrik dari empat saluran ion di sel jantung (sodium cepat, sodium L, kalsium L, dan potasium). Meskipun model ini mudah diimplementasikan dan dipahami, penggunaan biomarker tunggal membatasi kemampuannya untuk memprediksi risiko obat secara akurat, sehingga model dengan lebih dari satu biomarker diperlukan.
Penelitian-penelitian sebelumnya telah menunjukkan bahwa menggunakan beberapa biomarker dalam model kecerdasan buatan dapat menghasilkan prediksi yang lebih baik. Salah satu penelitian yang mencatat keberhasilan ini dilakukan oleh Yoo dkk. pada tahun 2021, di mana mereka menggunakan model Artificial Neural Networks (ANN) yang dilatih dengan beberapa biomarker. Model ANN tersebut terbukti melampaui kinerja model qNet tunggal dalam memprediksi risiko obat. Meskipun ANN menunjukkan performa prediksi yang lebih baik, model ini sulit untuk diinterpretasikan, berbeda dengan qNet yang secara langsung memberikan skor risiko. ANN tidak menggambarkan level risiko obat secara langsung karena tidak menghasilkan skor risiko spesifik, sehingga masih banyak peneliti yang lebih memilih qNet untuk menjaga interpretabilitas dalam pengujian risiko obat jantung.
Salah satu pendekatan yang digunakan untuk membantu menginterpretasikan model kecerdasan buatan yang kompleks seperti ANN adalah metode Shapley Additive Explanations (SHAP). Metode ini pertama kali diperkenalkan oleh Lundberg dkk. pada tahun 2017, dan sejak itu telah diadaptasi secara luas untuk menjelaskan karakteristik model kecerdasan buatan yang rumit. Dalam konteks prediksi risiko obat jantung, nilai SHAP setiap biomarker menunjukkan seberapa besar pengaruh biomarker tersebut terhadap hasil prediksi model. Semakin besar nilai SHAP suatu biomarker, semakin besar kontribusinya terhadap hasil prediksi. Hal ini membantu para peneliti untuk memahami bagaimana setiap biomarker berperan dalam proses klasifikasi risiko obat.
Dalam studi kami, berbagai model kecerdasan buatan diuji untuk memprediksi risiko obat jantung, termasuk ANN, Random Forest (RF), Extreme Gradient Boosting (XGBoost), K-Nearest Neighbors (KNN), Radial Basis Function Networks (RBF), dan Support Vector Machine (SVM). Semua model ini dilatih dan diuji menggunakan 28 obat standar CiPA untuk memprediksi risiko aritmia. Untuk memahami bagaimana masing-masing model bekerja, kami menerapkan metode SHAP untuk menganalisis kontribusi setiap biomarker terhadap performa model. Dari total 14 biomarker yang digunakan, kami melakukan seleksi berdasarkan nilai SHAP untuk menentukan biomarker yang paling berpengaruh terhadap performa prediksi.
Hasil dari studi kami menunjukkan bahwa ANN dengan 11 biomarker memberikan performa prediksi terbaik di antara semua model kecerdasan buatan yang diuji. Tiga biomarker yang paling berpengaruh dalam model ANN adalah qInward, APD90, dan APD50. qInward mengukur total muatan listrik yang masuk melalui saluran ion sodium L dan kalsium L selama satu siklus detak jantung, sedangkan APD (Action Potential Duration) mengukur durasi depolarisasi sel jantung. Kami juga menemukan bahwa biomarker potensial membran sel jantung saat istirahat (Vmresting) tidak memberikan kontribusi signifikan terhadap prediksi model. Bahkan, mengeliminasi Vmresting dari model ANN justru meningkatkan akurasi prediksi risiko obat.
Dari analisis SHAP, kami juga menemukan bahwa qInward memiliki pengaruh yang konsisten pada semua kategori risiko obat (tinggi, menengah, dan rendah). Ini menegaskan pentingnya pengaruh saluran sodium L dan kalsium L dalam memprediksi risiko obat jantung. Berbeda dengan qInward, APD50 dan APD90 lebih berpengaruh pada obat dengan risiko tinggi, di mana peningkatan nilai APD ini mengindikasikan peningkatan risiko aritmia. Artinya, semakin tinggi nilai APD, semakin besar kemungkinan obat tersebut memicu aktivitas jantung yang tidak normal.
Selain itu, kami menemukan bahwa penghapusan biomarker dengan nilai SHAP yang rendah tidak selalu meningkatkan performa model. Hal ini karena kombinasi biomarker dapat menunjukkan perilaku yang berbeda dari karakteristik individu biomarker. Dengan kata lain, biomarker yang tampak tidak penting secara individu bisa memberikan kontribusi signifikan saat dikombinasikan dengan biomarker lain. Oleh karena itu, diperlukan pengujian menyeluruh untuk mengetahui biomarker mana yang benar-benar diperlukan untuk meningkatkan performa prediksi.
Studi kami menunjukkan bahwa metode SHAP efektif dalam membantu menjelaskan karakteristik model kecerdasan buatan yang kompleks, seperti ANN. Hal ini penting untuk memperbaiki struktur model dengan memasukkan biomarker yang relevan dan mengeliminasi yang tidak diperlukan. Namun, metode ini memiliki kekurangan, salah satunya adalah kompleksitas tafsiran SHAP yang masih sulit diterapkan dalam praktik klinis. Meskipun SHAP membantu menjelaskan model kecerdasan buatan, hasilnya masih terlalu rumit untuk digunakan secara langsung di lapangan. Salah satu solusi perlu dikaji adalah mengembangkan model kecerdasan buatan yang mampu menghasilkan skor risiko secara langsung, sehingga memudahkan penggunaannya dalam aplikasi klinis. Dengan demikian, model kecerdasan buatan yang dikembangkan tidak hanya memiliki performa prediksi yang baik, tetapi juga lebih mudah diimplementasikan.
Dengan demikian, studi ini memberikan kontribusi penting dalam penggunaan pendekatan multi-biomarker untuk memprediksi risiko obat jantung, serta membuka jalan bagi pengembangan model yang lebih baik dan lebih praktis di masa depan.
Nama: Ali Ikhsanul Qauli, S.Si., M.Eng.
Link: https://www.nature.com/articles/s41598-024-71169-w
Baca juga: Coronary Artery Fistula sebagai Penyebab Tak Terduga Gagal Jantung
