AI MIT Bisa Prediksi Perburukan Gagal Jantung Setahun Lebih Awal

CAMBRIDGE, (12 Maret 2026)

Mengutip laporan dari MIT News, para peneliti di MIT, Mass General Brigham, dan Harvard Medical School telah mengembangkan model Deep Learning baru untuk meramalkan prognosis pasien gagal jantung. Model yang diberi nama PULSE-HF ini dirancang untuk memprediksi lintasan kesehatan pasien hingga satu tahun ke depan, memberikan jendela waktu yang krusial bagi intervensi medis.

Melansir data penelitian yang diterbitkan di jurnal Lancet eClinical Medicine, gagal jantung merupakan kondisi kronis di mana otot jantung melemah, menyebabkan penumpukan cairan di paru-paru dan anggota tubuh lainnya. Sekitar 50% orang yang didiagnosis gagal jantung berisiko meninggal dalam waktu lima tahun. Oleh karena itu, kemampuan untuk memprediksi kondisi pasien sangat penting dalam alokasi sumber daya kesehatan yang terbatas.

Melampaui Deteksi: Kemampuan Forecasting PULSE-HF

PULSE-HF (singkatan dari Predict changes in left ventricULar Systolic function from ECGs of patients who have Heart Failure) bekerja dengan menganalisis data Electrocardiogram (ECG). Fokus utamanya adalah memprediksi perubahan pada Left Ventricular Ejection Fraction (LVEF), yaitu persentase darah yang dipompa keluar dari ventrikel kiri jantung pada setiap detak.

"Model ini mengambil data ECG dan mengeluarkan prediksi apakah akan ada Ejection Fraction yang turun di bawah 40 persen dalam satu tahun ke depan," jelas Tiffany Yau, mahasiswa PhD di MIT sekaligus penulis utama studi ini. Angka di bawah 40 persen dikategorikan sebagai subkelompok gagal jantung yang paling parah.

Berbeda dengan metode AI kesehatan lainnya yang biasanya hanya melakukan deteksi kondisi saat ini, PULSE-HF melakukan forecasting atau peramalan masa depan. Dalam pengujian menggunakan metrik AUROC—di mana angka 1 menunjukkan performa sempurna—model ini mencetak skor impresif antara 0,87 hingga 0,91 di tiga kohort pasien yang berbeda.

Efisiensi dengan Single-Lead ECG

Salah satu terobosan penting dari PULSE-HF adalah kemampuannya beroperasi menggunakan single-lead ECG (hanya satu elektroda). Meski standar medis biasanya menggunakan 12-lead ECG yang lebih kompleks, versi single-lead dari PULSE-HF terbukti memiliki performa yang hampir sama kuatnya.

Hal ini membuka peluang besar untuk penerapan di klinik-klinik dengan sumber daya terbatas atau daerah terpencil yang tidak memiliki cardiac sonographer (ahli perangkat USG jantung) untuk melakukan pemindaian setiap hari. Dengan data ECG yang "agak berantakan" sekalipun, model ini tetap mampu memberikan prediksi yang andal.

Dampak bagi Indonesia

Teknologi seperti PULSE-HF memiliki relevansi tinggi bagi lanskap kesehatan di Indonesia. Penyakit kardiovaskular masih menjadi penyebab kematian nomor satu di tanah air menurut data Kemenkes RI.

1. Aksesibilitas di Puskesmas: Mengingat biaya pemeriksaan Echocardiogram (USG jantung) di Indonesia berkisar antara Rp500.000 hingga Rp1.500.000 per sesi, penggunaan Machine Learning berbasis ECG standar akan jauh lebih murah dan terjangkau bagi fasilitas kesehatan tingkat pertama seperti Puskesmas.
2. Pemerataan Tenaga Spesialis: Indonesia masih menghadapi kekurangan tenaga cardiac sonographer dan dokter spesialis jantung di luar kota besar. Implementasi AI ini dapat membantu dokter umum di daerah terpencil untuk melakukan skrining awal dan menentukan pasien mana yang harus segera dirujuk ke rumah sakit pusat.
3. Efisiensi Biaya BPJS: Dengan prediksi perburukan setahun lebih awal, pencegahan dapat dilakukan lebih dini, yang berpotensi menurunkan beban biaya perawatan rawat inap jangka panjang bagi program jaminan kesehatan nasional.

---

Artikel ini akan diperbarui seiring tersedianya informasi baru. Join Komunitas Rekayasa AI di Discord untuk diskusi lebih lanjut.