Beban Diabetes Melitus Tipe 2 (DMT2) semakin tinggi di Indonesia dengan prevalensi 11,7% menurut Survei Kesehatan Indonesia 2023. Lebih dari 70% penyandang DMT2 belum terdiagnosis, yang menyebabkan keterlambatan pengobatan dan peningkatan risiko komplikasi. Teknologi pembelajaran mesin (machine learning) berpotensi digunakan untuk deteksi dini risiko DMT2 secara efisien dan berbasis data. Penelitian ini bertujuan mengembangkan, memvalidasi, dan menguji kelayakan model skrining risiko DMT2 berbasis pembelajaran mesin untuk populasi Indonesia. Studi ini menggunakan desain observasional dan dilaksanakan dari Oktober 2024 hingga Januari 2025. Penelitian terdiri dari tiga fase. Fase pertama mencakup pengembangan model prediksi menggunakan algoritma pembelajaran mesin dengan data dari dua sumber Kementerian Kesehatan, yakni kohor Penyakit Tidak Menular (PTM) (n=5.010) dan Aplikasi Sehat Indonesiaku (ASIK) (n=8.147.932). Fase kedua adalah validasi eksternal model menggunakan data ASIK tahun 2023 (n=24.735.050). Fase ketiga merupakan uji coba lapangan di dua Puskesmas di DKI Jakarta yang mencakup uji diagnostik (n=100) serta penilaian kelayakan sistem tenaga kesehatan (n=30) menggunakan instrumen System Usability Scale (SUS). Fase 1 menunjukkan bahwa model LightGBM pada data ASIK memiliki performa terbaik (AUC 0,90; sensitivitas 0,70; spesifisitas 0,88), sementara model CatBoost pada data kohor PTM menunjukkan AUC 0,76. Seleksi fitur mengidentifikasi lima variabel utama (usia, tekanan darah sistolik, aktivitas fisik, riwayat keluarga DMT2, konsumsi sayur/buah) sebagai penentu utama risiko. Fase 2 mencakup validasi eksternal dengan data ASIK 2023 menghasilkan AUC 0,90 (LightGBM) dan AUC 0,73 (CatBoost). Fase 3 uji coba lapangan menunjukkan hasil diagnostik yang sejalan dengan skor risiko model, dengan sensitivitas 0,80 dan spesifisitas 0,39 pada cut-off HbA1c 6,5% dan sensitivitas 0,79 dan spesifisitas 0,54 pada cutoff HbA1c 5,7%. Evaluasi oleh tenaga kesehatan menghasilkan skor SUS sebesar 72,5. Sebagai kesimpulan, Model skrining DMT2 berbasis pembelajaran mesin terbukti akurat dan layak diimplementasikan.

Type 2 Diabetes Mellitus (T2DM) burden is increasing in Indonesia, with a national prevalence of 11.7% according to the 2023 Indonesia Health Survey. More than 70% of individuals with T2DM remain undiagnosed, leading to delayed treatment and increased complications. Machine learning has the potential to enhance early detection of T2DM through an efficient, data-driven risk screening process. This study aims to develop, validate, and assess the feasibility of a machine learning-based T2DM risk screening model tailored for the Indonesian population. This study employed an observational design and was conducted from October 2024 to January 2025. The study consisted of three phases. The first phase involved the development of predictive models using machine learning algorithms with two datasets from the Ministry of Health: the PTM Cohort (n=5,010) and the ASIK registry (n=8,147,932). The second phase was an external validation using the ASIK 2023 dataset (n=24,735,050). The third phase was a field trial at two primary health centers (Puskesmas) in Jakarta, which included diagnostic testing of patients (n=100) and usability assessment by healthcare workers (n=30) using the System Usability Scale (SUS). In Phase 1, the LightGBM model trained on ASIK data achieved the best performance (AUC 0.90; sensitivity 0.70; specificity 0.88), while the CatBoost model trained on PTM Cohort data yielded an AUC of 0.76. Feature selection identified five main predictors (age, systolic blood pressure, physical activity, family history of T2DM, and fruit/vegetable consumption). In Phase 2, external validation with ASIK 2023 data confirmed high model performance with AUC 0.90 (LightGBM) and AUC 0.73 (CatBoost). In Phase 3, field testing showed diagnostic performance consistent with model-based risk scores, with sensitivity 0.80 and 0.39 at the HbA1c cut-off of 6.5% and sensitivity 0.79 and specificity 0.54 at the HbA1c cut-off of 5.7%. Usability testing by healthcare workers resulted in an average SUS score of 72.5. In conclusion, the machine-learning-based T2DM screening model has demonstrated high accuracy and is feasible for implementation.

Angka keberhasilan pengobatan Tuberkulosis Indonesia tahun 2023 belum mencapai target 90%. Keberhasilan pengobatan berdampak terhadap penurunan penyebaran infeksi dan kasus resistensi obat, sehingga perlu untuk memprediksi keberhasilan pengobatan lebih dini. Penelitian ini bertujuan untuk mengembangkan model pendekatan pembelajaran mesin untuk prediksi keberhasilan pengobatan. Penelitian ini menggunakan data kohort Sistem Informasi Tuberkulosis (SITB) Indonesia. Pasien usia produktif (15-64 tahun) terdiagnosis tuberkulosis sensitif obat dan mendapatkan pengobatan dari 1 Januari 2020 sampai 31 Desember 2023 diikutsertakan dalam penelitian ini. Data dikelompokkan secara acak ke dalam set data pelatihan untuk membangun model (80%) dan set data pengujian untuk validasi model (20%), dan dilakukan validasi silang untuk data. Algoritma yang digunakan meliputi decision tree, random forest, multilayer perceptron, extreme gradient boosting, dan logistic regression. Dilakukan konsensus untuk pengambilan keputusan variabel yang diperlukan dalam melakukan pemodelan berbasis pembelajaran mesin dari data SITB untuk memprediksi keberhasilan pengobatan dengan menggunakan metode Delphi. Hasil dari penelitian model algoritma pembelajaran mesin random forest menunjukkan kinerja terbaik dan akurasi tertinggi dalam memprediksi keberhasilan pengobatan. Aplikasi prediksi berbasis pembelajaran mesin dapat memberikan prediksi dini dengan interpretasi berbasis SHAP (SHapley Additive ExPlanations) yang memudahkan tenaga kesehatan dalam mengambil keputusan.

Diabetes melitus sebagai penyakit kronis dengan prevalensi tinggi, memerlukan biaya besar sehingga menjadi masalah kesehatan masyarakat utama di seluruh dunia. Terapi kombinasi metformin dengan obat lini kedua semakin meningkat saat ini terutama dengan golongan obat baru seperti penghambat dipeptidil peptidase-4 (DPP-4i). Peningkatan penggunaan obat baru yang lebih mahal seiring dengan peningkatan insiden diabetes melitus tipe 2, secara signifikan berdampak terhadap belanja kesehatan suatu negara, termasuk Indonesia. Penelitian terkait efektivitas biaya terapi kombinasi metformin-DPP4i dan metformin+sulfonilurea selayaknya tersedia di Indonesia, mengingat data biaya dan efektivitas sangat ideal jika menggunakan data primer dari negara sendiri. Penelitian ini bertujuan mengevaluasi efektivitas biaya terapi kombinasi metformin-DPP4i dan metformin+sulfonilurea pada pasien diabetes melitus tipe 2. Penelitian ini menggunakan desain kohort retrospektif dengan data dari rekam medis dan sistem informasi rumah sakit. Sampel penelitian terdiri dari 60 pasien diabetes melitus tipe 2 rawat jalan yang mendapatkan terapi kombinasi metformin+DPP4i dan 30 pasien metformin+sulfonilurea periode Januari 2018-Juni 2019. Hasil penelitian menunjukkan bahwa perbedaan efektivitas terapi kombinasi dalam pencapaian HbA1c<7% tanpa hipoglikemia sebesar 36,6% dengan perbedaan total biaya terapi Rp.2.340.768, sehingga diperoleh Incremental Cost-Effectiveness Ratio (ICER) sebesar Rp.63.955/1% efektivitas. Analisis multivariat dengan regresi logistik menunjukkan bahwa variabel yang berpengaruh signifikan terhadap efektivitas tersebut adalah durasi dan komplikasi setelah dikontrol oleh variabel pekerjaan, pola konsumsi dan indeks masa tubuh, dan penggunaan antidiabetik oral lainnya. Model Markov dibangun berdasarkan progresivitas penyakit diabetes melitus dengan time horizon 25 tahun, sehingga diperoleh hasil bahwa penggunaan terapi metformin+DPP-4i memberikan tambahan tahun hidup berkualitas yang disesuaikan (QALY) selama 2,29 tahun. Terapi kombinasi metformin+DPP4i cost effective untuk pasien diabetes melitus tipe 2 dengan nilai ICER Rp.24.948.213/QALY dibawah threshold Rp.172.282.122. Perlunya kebijakan di tingkat Kementerian dan Lembaga untuk mendukung pelaksanaan studi evaluasi ekonomi menggunakan real world data sehingga menjamin akses data yang berkualitas

Kelainan refraksi yang tidak terkoreksi merupakan penyebab terbesar visual impairment di seluruh dunia. Deteksi dini dan intervensi cepat sangat krusial untuk mencegah gangguan penglihatan permanen pada masa kanak-kanak. Skrining konvensional di komunitas sering terhambat oleh keterbatasan sumber daya manusia dan waktu pemeriksaan yang lama. Prinsip pemeriksaan photorefractive dapat diadaptasi menggunakan kamera smartphone untuk menghasilkan foto refleks merah fundus mata, namun analisisnya memerlukan pakar. Proses analisis ini dapat diotomatisasi dengan penggunaan model algoritma Deep Learning Convolutional Neural Network (CNN). Penelitian ini bertujuan untuk mengembangkan model algoritma deep learning berbasis pola refleks merah fundus mata untuk deteksi kelainan refraksi pada anak yang dapat dioperasikan secara efektif oleh tenaga pemeriksa non-spesialis (guru sekolah) dalam upaya meningkatkan cakupan deteksi dini di komunitas. Penelitian bersifat diagnostik dengan desain cross-sectional dan dilakukan dalam empat tahap. Sumber data primer adalah foto kedua mata dengan pola refleks merah fundus yang diambil menggunakan kamera smartphone dan data power dioptri mata dari autorefraktometer sebagai baku emas. Total 315 siswa SD berusia 6-13 tahun di Kota Padang (630 mata) dijadikan sampel pada tahap pengujian lapangan. Model deep learning optimal yang dikembangkan adalah model CNN 3-branch. Kinerja model dievaluasi menggunakan metrik diagnostik (Sensitivitas, Spesifisitas, AUC) dan diuji reliabilitasnya antara pemeriksa spesialis dan non-spesialis. Pada validasi internal di tahap 2, model CNN 3-branch menunjukkan kinerja optimal dengan tingkat akurasi sebesar 91%, presisi sebesar 92%, dan recall sebesar 91%. Pada uji coba lapangan di tahap 3, hasil pengujian di 3 Sekolah Dasar menunjukkan: 1) Untuk deteksi miopia signifikan, model mencapai Sensitivitas 92.0%, Spesifisitas 79.9%, dan AUC 0.86; 2) Untuk deteksi kelainan refraksi tidak signifikan, Sensitivitas 67.1%, Spesifisitas 84.2%, dan AUC 0.76; dan 3) Untuk deteksi hipermetropia signifikan, Sensitivitas 42.4%, Spesifisitas 98.0%, dan AUC 0.70. Dalam hal feasibilitas, model algoritma deep learning memiliki reliabilitas dan akseptabilitas yang baik ketika digunakan oleh pemeriksa non-spesialis (guru). Model algoritma deep learning berbasis pola refleks merah fundus mata memiliki validitas yang baik dibandingkan dengan autorefraktometer dan reliabilitas yang baik antara pemeriksa spesialis dan non-spesialis. Instrumen ini menunjukkan potensi sebagai terobosan baru yang feasible untuk skrining kelainan refraksi yang cepat dan akurat di tingkat pelayanan kesehatan primer dan komunitas.

Uncorrected refractive error is the primary cause of visual impairment worldwide and early detection and rapid intervention are crucial in childhood. Conventional vision screening in the community is hampered by limited human resources and lengthy examination times. The photorefractive examination principle can be adapted using a smartphone camera to capture a red fundus reflex image, but its analysis requires an expert ophthalmologist. This analysis process can be automated through the use of a Deep Learning Convolutional Neural Network (CNN) algorithm model. This study aims to develop a deep learning algorithm model based on the red fundus reflex pattern for detecting refractive errors in children, which can be effectively operated by non-specialist examiners (school teachers). This is a diagnostic study with a cross-sectional design and was conducted in four stages. Primary data sources included images of both eyes displaying the red fundus reflex pattern taken with a smartphone camera and dioptric power data from an autorefractometer. A total of 315 elementary school students (630 eyes) aged 6–13 years in Padang were included. The deep learning model developed was the 3-branch CNN model. Model performance was evaluated using diagnostic metrics (Sensitivity, Specificity, AUC) and tested for its reliability. In the internal validation (Stage 2), the model had an accuracy rate of 91%, precision of 92%, and a recall of 91%. In the field trials (Stage 3), testing results in 3 schools showed: 1) For the detection of significant myopia, the model achieved a Sensitivity of 92.0%, Specificity of 79.9%, and AUC of 0.86; 2) For the detection of non-significant refractive error, the model achieved a Sensitivity of 67.1%, Specificity of 84.2%, and AUC of 0.76 ; and 3) For the detection of significant hypermetropia, the model achieved a Sensitivity of 42.4%, Specificity of 98.0%, and AUC of 0.70. Regarding feasibility, the deep learning algorithm model demonstrated good reliability and acceptability when used by non-specialist examiners (teachers). The deep learning algorithm model based on the red fundus reflex pattern possesses good validity when compared to the autorefractometer and good reliability between specialist and non-specialist examiners. This instrument shows potential as a new and feasible breakthrough for rapid and accurate refractive error screening at the primary healthcare and community level.

Tuberkulosis (TB) tetap menjadi masalah kesehatan utama di Indonesia dengan angka kejadian yang tinggi, termasuk pada anak-anak yang berkontribusi sekitar 16,68% dari total kasus TB nasional. Untuk mencapai target eliminasi TB pada tahun 2030, salah satu upaya strategis adalah optimalisasi deteksi dini melalui pemanfaatan teknologi digital dalam proses skrining dan diagnosis. Penelitian ini bertujuan mengembangkan model skrining TB anak berbasis machine learning dengan sistem skoring otomatis guna meningkatkan cakupan deteksi dan notifikasi kasus secara lebih efisien. Penelitian menggunakan pendekatan kuantitatif dengan rancangan kohort retrospektif dan dilaksanakan pada April–Agustus 2025 di delapan Puskesmas Kecamatan di wilayah Jakarta Barat. Data penelitian diperoleh dari rekam medis elektronik (RME) puskesmas dan database sistem informasi tuberkulosis (SITB) tahun 2023–2024. Model dikembangkan melalui empat skenario menggunakan lima algoritma, yaitu Logistic Regression, Decision Tree, Random Forest, K-Nearest Neighbor, dan Support Vector Machine. Evaluasi kinerja model dilakukan menggunakan cross-validation k-fold = 5 dengan metrik akurasi, sensitivitas, spesifisitas, dan Area Under the Receiver Operating Characteristic (AUROC). Hasil penelitian menunjukkan bahwa variabel dengan kontribusi prediktif terbesar meliputi pembesaran kelenjar, malaise ≥ dua minggu, penurunan atau stagnasi berat badan dua bulan terakhir, status gizi, dan riwayat kontak TB. Berdasarkan variabel tersebut, Decision Tree menjadi algoritma dengan performa terbaik karena menghasilkan nilai AUROC > 0,90. Nilai AUROC yang sangat tinggi (mendekati 1) menunjukkan bahwa kedua model memiliki kemampuan yang sangat baik dalam membedakan pasien anak dengan TB positif dan negatif berdasarkan skoring, serta sesuai untuk karakteristik data yang bersifat non-linear dengan interaksi antar gejala. Prototype aplikasi berbasis web yang dikembangkan mampu memberikan estimasi risiko secara cepat dan interaktif, sehingga berpotensi mendukung skrining TB anak di fasilitas layanan primer.

Tuberculosis (TB) remains a major public health challenge in Indonesia, with a high incidence rate, including among children who account for approximately 16.68% of all national TB cases. To achieve the 2030 TB elimination target, optimizing early detection through the use of digital technologies in screening and diagnosis is a key strategic approach. This study aims to develop a machine learning–based pediatric TB screening model equipped with an automated scoring system to enhance the efficiency of case detection and notification. A quantitative approach with a retrospective cohort design was employed, conducted from April to August 2025 across eight sub-district primary health centers (Puskesmas) in West Jakarta. Data were obtained from electronic medical records (RME) and the tuberculosis information database system (SITB) database for the years 2023–2024. The model was developed under four scenarios using five algorithms: Logistic Regression, Decision Tree, Random Forest, K-Nearest Neighbor, and Support Vector Machine. Model performance was evaluated using 5-fold cross-validation with accuracy, sensitivity, specificity, and Area Under the Receiver Operating Characteristic (AUROC) as the evaluation metrics. The findings indicate that the variables with the strongest predictive contributions include lymph node enlargement, malaise lasting ≥ two weeks, weight loss or stagnation over the past two months, nutritional status, and TB contact history. Based on these variables, Decision Tree demonstrated the best performance, achieving AUROC values > 0.90. Such high AUROC values (approaching 1) suggest excellent discriminatory ability in distinguishing TB-positive from TB-negative pediatric patients, particularly given the non-linear patterns and interactions among clinical symptoms. A prototype web-based application was developed and demonstrated the ability to generate rapid and interactive risk estimations. This tool shows strong potential to support pediatric TB screening efforts in primary healthcare settings.