Abstrak:
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.
The tuberculosis treatment success rate in Indonesia in 2023 did not reach the 90% target. Treatment success impacts the reduction of infection spread and drug resistance cases, making early prediction of treatment success crucial. This study aims to develop a machine-learning model to predict treatment success. Data from Indonesia's Tuberculosis Information System (SITB) cohort was used. The study included productive-age patients (15-64 years) diagnosed with drug-sensitive tuberculosis who received treatment from January 1, 2020, to December 31, 2023. Data was randomly split into training (80%) and testing (20%) sets for model validation, with cross-validation performed. The algorithms used include decision tree, random forest, multilayer perception, extreme gradient boosting, and logistic regression. A consensus was reached for decision-making variables required in performing machine learning-based modeling of SITB data to predict treatment success using modeling of SITB data to predict treatment success using the Delphi method. The results of the study show that the random forest machine learning algorithm had the best performance and highest accuracy in predicting treatment success. This machine learning–based prediction tool can provide early predictions with SHAP (SHapley Additive ExPlanations) interpretation, helping healthcare workers make informed decisions more easily.
