Analisis Machine Learning (Artificial Intelligence) untuk Memprediksi Transformasi Hemoragik Pasca Terapi Antiplatelet pada Stroke Iskemik Akut Berbasis Magnetic Resonance Imaging 3 Tesla (Integrasi Radiomik, Apparent Diffusion Coefficient (ADC) value, Volume Infark, Regional Cerebral Small Vessel Disease (rCSVD) score, Data Klinis dan Laboratorium)

Ratna Sutanto. Analisis Machine Learning (Artificial Intelligence) Untuk Memprediksi Transformasi Hemoragik Pasca Terapi Antiplatelet Pada Stroke Iskemik Akut Berbasis Magnetic Resonance Imaging 3 Tesla (Integrasi Radiomik, Apparent Diffusion Coefficient (ADC) Value, Volume Infark, Regional Cerebral Small Vessel Disease (rCSVD) Score, Data Klinis Dan Laboratorium). (Dibimbing oleh Bachtiar Murtala dan Yusak Mangara Tua Siahaan). Penelitian ini bertujuan menganalisis kemampuan model machine learning (ML) dalam memprediksi transformasi hemoragik (TH) pada pasien stroke iskemik akut yang menjalani terapi antiplatelet, serta menentukan nilai cut-off dan menyusun skor nomogram. Studi training testing dilakukan secara retrospektif (2019–2025) dan validasi prospektif (Juli–Oktober 2025) di Siloam Hospitals Lippo Village menggunakan MRI 3Tesla terhadap 110 pasien. Variabel yang diuji mencakup fitur radiomik, nilai ADC, volume infark, skor rCSVD, data klinis (usia, NIHSS), serta data laboratorium (PT, APTT). Seleksi fitur dilakukan menggunakan Random Forest Regressor dan korelasi Pearson. Dari empat model yang diuji (XGBoost, Linear SVM, Naive Bayes, dan Random Forest), XGBoost dengan skenario integrasi radiologi, klinis, dan laboratorium terbukti paling efektif. Setelah penerapan oversampling SMOTE pada training testing, model ini mencapai AUC 0,958, sensitivitas 87,5%, dan akurasi 81,8% dengan kinerja stabil pada fase validasi. Berdasarkan indeks Youden, fitur coarseness (≤0,0018) merupakan prediktor terbaik. Nilai cut-off prediksi transformasi hemoragik adalah: Coarseness ≤ 0,0018. Volume Infark ≥ 7,47 cm3. MCC ≤ 0,636. DNN ≥ 0,176. APTT ≥ 27,20 detik. Usia ≥ 46 tahun. PT ≥ 10,10 detik. ADC Value ≤ 875 x 10 -6 mm2/s. LAHGE ≥ 3,010. ZoneVar ≥ 1,064. AUC nomogram mencapai 0,916. Nilai Nagelkerke R2 0.301. Penelitian ini juga berhasil membuat rumus formula regresi logistik serta kalkulator digital untuk memprediksi TH. Kata kunci: stroke iskemik akut, transformasi hemoragik, MRI 3Tesla, radiomik, machine learning, cut-off, nomogram.