Prevalensi penyakit arteri perifer (PAP) terus meningkat. PAP adalah penyakit aterosklerotik progresif pada tungkai bawah yang digunakan untuk mendiagnosis aterosklerosis secara umum. Klaudikasio, atau lebih dikenal seperti ketidaknyamanan kram pada betis, paha, atau bokong yang biasanya disebabkan oleh berjalan dan mereda dengan istirahat, adalah tanda paling umum dari PAP. Nyeri atipikal saat berolahraga dan ketidaknyamanan iskemik saat istirahat juga mungkin terjadi. Tahap akhir penyakit ini dapat mengakibatkan hilangnya jaringan dan amputasi. PAP dapat asimtomatik untuk beberapa waktu, namun PAP yang bergejala terkait dengan batasan substansial dalam fungsi fisik, terutama berjalan dan berbagai aktivitas sehari-hari. Bahkan ketika Indeks Ankle-Brachial (IAB) lebih dari 0,9, sebagian besar individu tetap asimtomatik.
Penyakit arteri perifer (PAP) yang tidak dikenali dan tidak diobati adalah hal yang memprihatinkan pada saat ini. Jumlah pasien PAP yang terlewat dalam pendiagnosaan sangat tinggi, mengakibatkan banyaknya pasien tidak menerima pengobatan pencegahan seperti statin dan obat antitrombotik yang dapat menyelamatkan nyawa dan anggota tubuh. Berbagai penelitian telah dilakukan dalam beberapa tahun terakhir untuk menemukan terapi yang efektif untuk PAP, termasuk beberapa uji klinis acak baik untuk metode pengobatan maupun revaskularisasi. Pada saat yang sama, sektor kesehatan berada pada titik kritis, dengan volume data yang sangat besar dihasilkan dari berbagai sumber seperti rekam medis elektronik (RME), pencitraan medis, perangkat yang dapat dikenakan, dan pengurutan genetik skala besar. Jumlah data yang besar ini memberikan peluang untuk merevolusi cara perawatan pasien vaskular.
Beberapa spesialisasi medis telah mencoba memanfaatkan “Big Data” dan analisis canggih, namun integrasi sistem kecerdasan buatan dan kedokteran di dunia nyata masih dalam tahap awal. Ketika diterapkan pada penyakit arteri perifer (PAP), analisis canggih ini memiliki potensi untuk mendeteksi penyakit laten, meningkatkan fenotip penyakit dan risiko, serta membantu keputusan pengobatan dengan mempertimbangkan berbagai data demografis, biologis, dan klinis. Sistem pencitraan vaskular berbasis kecerdasan buatan juga akan membantu dalam skenario diagnostik, prognostik, dan bedah.
Tujuan dari tinjauan sistematis ini adalah untuk mengidentifikasi dan menilai studi berkualitas tinggi yang menunjukkan kegunaan kecerdasan buatan dalam pengelolaan penyakit arteri perifer (PAP). Analisis canggih oleh kecerdasan buatan dapat membantu mengintegrasikan titik data perawatan, mendukung perawatan holistik dan multidisiplin yang sangat penting untuk mengoptimalkan manajemen dan hasil. Studi ini menyelidiki kontribusi kecerdasan buatan dan pembelajaran mesin terhadap pengobatan PAP dan mempertimbangkan implikasi menggabungkan kecerdasan buatan dan perawatan PAP, untuk menekankan pentingnya pengembangan algoritma kecerdasan buatan untuk PAP, terutama dalam membantu menyelamatkan nyawa individu.
Sebanyak tiga studi melaporkan penggunaan kecerdasan buatan dalam menganalisis hasil pemeriksaan radiologi untuk mendiagnosis PAP. Studi oleh McBane et al. menggunakan hasil pemeriksaan ultrasonografi Doppler yang dianalisis oleh kecerdasan buatan melaporkan bahwa akurasi penggunaan kecerdasan buatan dalam menganalisis hasil Doppler ultrasonografi untuk mendiagnosis PAP termasuk dalam kategori tinggi dengan nilai sensitivitas 83% dan spesifisitas 88%. Hasil analisis area di bawah kurva (AUC) juga menunjukkan nilai tinggi, yaitu 0,94 (0,92-0,96).
Studi lain yang dilakukan oleh Squiers et al., menggunakan modalitas lain, yaitu pencitraan multispektral menemukan bahwa penggunaan kecerdasan buatan dalam menganalisis hasil pencitraan multispektral memiliki akurasi sensitivitas sebesar 91% dan spesifisitas 86% untuk prediksi PAP pada lokasi amputasi yang tidak sembuh (area di bawah kurva 0,89).
Studi oleh Weissler et al., menganalisis modalitas radiologi lainnya, yaitu arteriografi hingga angioplasti. Menggunakan kecerdasan buatan dengan teknik analisis pemrosesan bahasa alami, studi ini menganalisis temuan frasa “angiografi” atau “angioplasti” dalam rekam medis pasien dengan konfirmasi PAP dan non-PAP. Hasil analisis kecerdasan buatan dalam studi ini menemukan bahwa kedua frasa ini (atau turunannya/variasinya) secara signifikan lebih umum pada pasien dengan konfirmasi PAP (P<0,001).
Sebanyak empat studi melaporkan penggunaan kecerdasan buatan berdasarkan temuan klinis untuk mendiagnosis PAP. Studi yang dilakukan oleh Gao et al. melaporkan bahwa kecerdasan buatan dapat digunakan untuk menganalisis 28 fitur klinis untuk mendiagnosis PAP. Penggunaannya dilaporkan memiliki sensitivitas dan spesifisitas yang lebih baik dibandingkan dengan hasil analisis regresi logistik dan hasil pengukuran ABI saja.
Penting untuk dicatat bahwa metode pembelajaran mendalam yang digunakan dalam studi yang dianalisis dalam tinjauan sistematis ini sangat bervariasi. Studi oleh McBane et al. menggunakan InceptionTime, studi oleh Squiers et al., menggunakan Very Deep Convolutional Networks for Large-Scale Image Recognition yang dimodifikasi dengan teknik Feature-wise Linear Modulation. Studi oleh Weissler et al. menggunakan Label-Embedding Attentive Model (LEAM) dan Least Absolute Shrinkage and Selection Operator (LASSO), serta studi oleh Ross et al. dan Gao et al. menggunakan model regresi dan random forest. Hal ini menunjukkan bahwa meskipun teknik analisis yang digunakan oleh kecerdasan buatan berbeda-beda, manfaatnya dalam mendiagnosis PAP menunjukkan kesamaan yaitu pendiagnosaan yang lebih baik dan akurat.
Kesimpulan ilmiah dari penelitian ini mendapatkan bahwa penggunaan kecerdasan buatan berdasarkan fitur klinis dan temuan pemeriksaan radiologis dapat dimanfaatkan untuk mengelola penyakit arteri perifer (PAP), khususnya dalam proses diagnosis dan stratifikasi prognosis.
Informasi detil dari tulisan ini dapat dilihat di:
Negoro SP, Sembiring YE, Zati LA, Putra IG, Dillon JJ. The use of artificial intelligence in the diagnosis of peripheral arterial disease: a systematic review. Ital J Vasc Endovasc Surg 2023;30:142-6. DOI: 10.23736/S1824-4777.23.01620-0)
