Pengembangan Model Machine-Learning untuk Memprediksi Kematian dan Kejadian Kardiovaskular di Rumah Sakit pada Sindrom Koroner Akut: Aplikasi Nomogram untuk Pasien Dengan dan Tanpa Gangguan Ginjal di Populasi Asia = Advancing Machine Learning Model to Predict In-Hospital Mortality and Major Adverse Cardiovascular Events

Pengembangan Model Machine-Learning untuk Memprediksi Kematian dan Kejadian Kardiovaskular di Rumah Sakit pada Sindrom Koroner Akut: Aplikasi Nomogram untuk Pasien dengan dan Tanpa Gangguan Ginjal di Populasi Asia Andriany Qanitha1,2,3 #, Akhtar Fajar Muzakkir1,2, Muzakkir Amir1,2, Pendrik Tandean1,2, Dian Sidik Arsyad4,5, Andi Alfian Zainuddin6, Haerani Rasyid7, Idar Mappangara1,2 ABSTRAK Tujuan: Penelitian ini bertujuan untuk mengembangkan dan memvalidasi model prediktif serta aplikasi nomogram untuk memprediksi kematian di rumah sakit dan kejadian kardio- dan serebrovaskular (MACCE) pada pasien Sindrom Koroner Akut (SKA), dengan fokus pada fungsi ginjal. Metode: Kohort penelitian diambil dari ACS Registry di Makassar Cardiac Center, Rumah Sakit Dr. Wahidin Sudirohusodo, Indonesia, dari April 2018 hingga Oktober 2022. Data dibagi menjadi dua kelompok: 75% untuk pengembangan model dan 25% untuk validasi. Parameter klinis yang dikumpulkan dalam 24 jam pertama setelah pasien masuk rumah sakit, termasuk skor GRACE dan TIMI selanjutnya dianalisis dengan univariable dan multivariable regresi logistik. Kematian di rumah sakit dan kejadian MACCE merupakan luaran utama penelitian. Analisis regresi logistik digunakan untuk mengidentifikasi faktor-faktor prediktif yang signifikan, dan kinerja model dievaluasi menggunakan area di bawah kurva karakteristik penerima (AU-ROC). Nomogram berbasis pembelajaran mesin dikembangkan menggunakan perangkat lunak Orange3 Data Mining. Hasil: Studi kohort prospektif terdiri dari 1.890 pasien SKA (76,6% laki-laki, usia rata-rata 58,2 + 10,8 tahun). Selama perawatan di rumah sakit, tercatat 141 kematian (7,5%) dan 643 kejadian gabungan MACCE (34,0%). Prediktor utama untuk kematian di rumah sakit meliputi skor GRACE, syok saat masuk, penggunaan beta-blocker, dosis loading Clopidogrel 300 mg, hemoglobin <14 g/dL, kadar urea darah >60 mg/dL, dan community-acquired pneumonia (CAP). Untuk kejadian MACCE, prediktor yang signifikan termasuk skor GRACE, riwayat gagal jantung, LVEF <40%, kadar urea darah >60 mg/dL, Na <135 mmol/L, dan CAP. Model machine learning yang dihasilkan menunjukkan kinerja yang superior dengan akurasi tinggi (0,963), presisi (0,882), dan spesifisitas (0,996) yang sangat bail, melampaui skor GRACE dan TIMI dalam memprediksi kematian dan MACCE di rumah sakit. Kesimpulan: Penelitian ini berhasil mengidentifikasi faktor-faktor yang dapat memprediksi kematian dan MACCE di rumah sakit pada pasien SKA, dengan atau tanpa gangguan ginjal. Dengan mengintegrasikan skor GRACE dan parameter klinis lainnya, model berbasis machine-learning ini menghasilkan nomogram yang praktis, sebagai alat yang andal bagi para klinisi untuk memprediksi prognosis dan mengoptimalisasi perawatan, terutama untuk populasi Asia.