Penilaian risiko penyakit telah menjadi fokus klinis utama dalam beberapa dekade terakhir. Ini adalah metode penting untuk pencegahan penyakit seperti diabetes, penyakit kardiovaskular, dan penyakit ginjal kronis. Selain penilaian risiko, pengembangan model prediksi penyakit juga menjadi perhatian utama dalam penelitian klinis karena dapat membantu pencegahan penyakit, deteksi dini, dan pencegahan skenario terburuk untuk orang dengan gangguan. Dalam dekade terakhir, sebagian besar penelitian sebelumnya telah menggunakan penilaian risiko dan model prediktif untuk pencegahan diabetes, mengingat diabetes adalah salah satu penyebab utama mortalitas dan morbiditas di seluruh dunia, di mana jumlah kematian sekitar 71%. dari semua kematian global.
Karena biaya diagnosis medis, tes, dan perawatan telah meningkat, beberapa metode dan strategi telah dikembangkan untuk membantu individu dengan lebih mudah dan hemat biaya untuk memeriksa status kesehatan mereka. Menurut pedoman pencegahan diabetes, model penilaian dan prediksi risiko adalah solusi yang direkomendasikan untuk digunakan bagi mereka yang didiagnosis memiliki risiko tinggi terkena diabetes, sehingga dapat membantu mereka dalam mencegah risiko diabetes. Dalam beberapa tahun terakhir, metode statistik dan metode pembelajaran mesin (machine learning) telah berhasil dan banyak digunakan sebagai solusi untuk program skrining diabetes untuk menilai dan memprediksi risiko diabetes, memberikan akurasi prediksi yang tinggi.
Oleh karena itu, dalam publikasi ini telah diusulkan analisis komprehensif skor skrining diabetes untuk penilaian dan prediksi risiko di berbagai populasi nasional dengan memanfaatkan metode statistik termasuk regresi logistik untuk prediktor dalam model, dan juga model pembelajaran mesin seperti Gaussian Naive Bayes (GNB), regresi logistic, random forest, multi-layer perceptron (MLP), support vector machine (SVM), peningkatan gradien ekstrim (XGB), dan pembelajaran ensemble dengan 10- lipat validasi silang. Metode statistik berdasarkan regresi logistik digunakan untuk memperkirakan rasio odds (OR), interval kepercayaan 95% (CI), dan nilai untuk setiap prediktor dan hasil, bersama dengan area di bawah kurva ROC/AUC.
Publikasi ini mengusulkan untuk menganalisis dan memberikan analisis komprehensif tentang kinerja skor skrining diabetes untuk penilaian dan prediksi risiko dalam lima populasi: populasi Cina, Jepang, Korea, US-PIMA India, dan Trinidad, menggunakan metode pembelajaran statistik (statistical learning) dan ML. Selain itu, karena pandemic COVID-19 saat ini, perlu untuk menyelidiki bagaimana diabetes dan COVID-19 terkait satu sama lain. Dengan demikian, dengan menggunakan sampel populasi Korea, keterkaitan antara diabetes dan COVID-19 diselidiki lebih lanjut. Hasil penelitian menunjukkan bahwa dengan menggunakan metode statistik, titik potong optimal antara populasi Cina, Jepang, Korea, US-PIMA India, dan Trinidad adalah 6,205 mmol/L (FPG), 5,523 mmol/L (FPG), dan 5,375% ( HbA1c), 150,50–106,50 mg/dL (FBS), 123,50 mg/dL (2hPG), dan 107,50 mg/dL (FBG), masing-masing, dengan skor AUC 0,97, 0,80, 0,78, 0,85, 0,79, dan 0,905. Hasilnya juga menegaskan bahwa diabetes memiliki hubungan yang signifikan dengan COVID-19 pada populasi Korea (p-value 0,001), dengan OR yang disesuaikan sebesar 1,21. Akhirnya, model ML terbaik secara keseluruhan dilakukan oleh Naïve Bayes dengan skor AUC masing-masing 0,736, 0,75, dan 0,83 pada populasi Jepang, Korea, dan Trinidad.
Penulis: Norma Latif Fitriyani, Muhammad Syafrudin, Siti Maghfirotul Ulyah, Ganjar Alfian, Syifa Latif Qolbiyani, and Muhammad Anshari
Judul artikel:
A Comprehensive Analysis of Chinese, Japanese, Korean, US-PIMA Indian, and Trinidadian Screening Scores for Diabetes Risk Assessment and Prediction
Link:
