Deteksi Dini Penyakit Jantung Bawaan dalam Kandungan melalui Artificial Intelligence

 

 

Deteksi Dini Penyakit Jantung Bawaan dalam Kandungan melalui Artificial Intelligence

Dr. dr. Nuswil Bernolian, Sp.OG, Subsp. KFM, MARS 

( RSMH Palembang)

 

Melahirkan sang buah hati dalam kondisi sehat tanpa kekurangan suatu apapun juga merupakan impian semua orang tua di dunia ini. Akan tetapi, masih ada bayi yang lahir dalam kondisi tidak sempurna, misalnya mereka menderita Penyakit Jantung Bawaan (PJB) yang tentu berdampak bagi kualitas kesehatan dan tumbuh kembang anak

 

            Dr. dr. Nuswil Bernolian, Sp.OG, Subsp. KFM, MARS, Dokter Spesialis Obstetri dan Ginekologi Konsultan Fetomaternal  RSMH Palembang membuat riset mengenai Artificial Intelligence (AI) dan biomarker yang dapat digunakan untuk mengetahui celah sekat jantung janin dalam kandungan.

            Secara global, penyakit jantung bawaan ditemukan pada 8 dari setiap 1.000 kelahiran hidup. Setiap tahunnya terdapat 1,35 juta anak yang lahir dengan kelainan jantung bawaan.^1,2 Angka kejadian Penyakit Jantung Bawaan (PJB) di Asia lebih tinggi dibandingkan dengan rerata global, mencapai 9,3 kasus per 1.000 kelahiran hidup.¹ Ventricular Septal Defect (VSD), Atrial Septal Defect (ASD), dan Patent Ductus Arteriosus (PDA) menyumbang 57,9% kasus penyakit jantung bawaan secara global.³

            Penyakit jantung bawaan dapat dideteksi dini pada usia kehamilan 18–22 minggu dengan tingkat deteksi mencapai 80%^4,5 Sejauh ini, beberapa biomarker diduga berperan sebagai prediktor PJB, meliputi TNF-alfa, VEGF-D, dan HB-EGF.^6,7 Seiring dengan perkembangan teknologi, selain melalui pemeriksaan ultrasonografi dan biomarker, AI dapat digunakan untuk membantu diagnosis PJB dalam kandungan  sehingga dapat meningkatkan akurasi diagnostik dan mempersiapkan pemberian terapi.^8–10

            Penelitian ini terdiri atas 2 fase. Fase pertama berupa penelitian deskriptif eksploratif melalui pembuatan suatu model interpretasi sebagai metode deteksi risiko PJB dalam kandungan. Fase kedua untuk mengukur kadar biomarker pada subjek kasus dan kontrol. Penelitian ini diselenggarakan di KSM/Bagian Obstetri Ginekologi, RSUP dr. Mohammad Hoesin/Fakultas Kedokteran Universitas Sriwijaya Palembang. Pemeriksaan ELISA untuk ketiga biomarker dilakukan di Laboratorium Pusat Prodia, Jakarta. Pembuatan model AI melalui CNN arsitektur DenseNet dan ResNet dari video yang tervalidasi dilakukan di ISysRG, Fakultas Ilmu Komputer, Universitas Sriwijaya. Untuk membuat model AI ini, didapatkan 24 kasus dari 23 subjek dan 56 subjek kontrol dan diperlukan waktu sekitar 1 tahun mulai dari mengumpulkan data, memproses data, dan akhirnya mampu mengembangkan model AI untuk mendeteksi defek septum jantung janin dalam kandungan yang umum terjadi seperti ASD, VSD, dan AVSD. Model AI juga dibandingkan dengan dua pemeriksa. Selain itu, dilakukan anamnesis untuk mengumpulkan data demografi dan riwayat klinis ibu.

Contoh gambar yang dianotasi oleh konsultan fetomaternal deteksi defek jantung pada beberapa kasus. (a) ASD; (b) VSD; dan (c) AVSD. Pada anotasi, garis hijau merupakan RA, garis merah merupakan LA, garis ungu merupakan RV, garis biru merupakan LV, dan garis kuning merupakan defek. Dikutip dari: Nurmaini Siti, dkk.¹¹

 

            Sebagai kesimpulan, model AI untuk pemeriksaan PJB dari data ekokardiografi janin berdasarkan arsitektur DenseNet201 telah berhasil dikembangkan dan mampu memberikan performa yang baik terhadap PJB pada janin berdasarkan data rekaman video ultrasonografi. Kedua ahli fetomaternal dan AI memiliki kesesuaian yang baik. Terdapat hubungan yang bermakna antara kadar TNF-alfa ibu yang rendah dan risiko PJB. Selain itu, tidak terdapat hubungan yang bermakna antara kadar VEGF-D yang tinggi dan PJB serta tidak terdapat hubungan yang bermakna antara kadar HB-EGF yang tinggi dan PJB.

            Besar harapan riset ini bisa dimanfaatkan dan dikembangkan menjadi suatu perangkat lunak yang dapat dipakai di mesin ultrasonografi (USG) untuk memudahkan deteksi dini oleh dokter umum dan dokter spesialis Obstetri dan Ginekologi di seluruh wilayah Indonesia terutama yang berada di daerah. Hal ini sejalan dengan misi dari Kementerian Kesehatan dalam transformasi sistem kesehatan.

            Selain itu, melalui penelitian ini, diharapkan sistem rujukan menjadi lebih  baik agar kasus-kasus PJB dalam kandungan dapat dideteksi dini dan mendapatkan tatalaksana yang adekuat.  Dengan demikian, tingkat morbiditas dan mortalitas akibat kasus PJB dapat diturunkan.

 

Referensi:

1. van Der Linde D, Konings EEM, Slager MA, Witsenburg M, Helbing WA, Takkenberg JJM, et al. Birth prevalence of congenital heart disease worldwide: A systematic review and meta-analysis. J Am Coll Cardiol. 2011;58(21):2241-7.

2. Cunningham F. Gary, Kenneth JL, Steven LB, Jodi SD, Barbara LH, Brian MC, et al. Williams obstetrics. 25th edition. New York: McGraw-Hill Education, 2018.

3. Liu Y, Chen S, Zühlke L, Black GC, Choy MK, Li NX, et al Global birth prevalence of congenital heart defects 1970-2017: Updated systematic review and meta-analysis of 260 studies. Int J Epidemiol. 2019;48(2):455-63.

4. Marek J, Tomek V, Škovránek J, Povýšilová V, Šamánek M. Prenatal ultrasound screening of congenital heart disease in an unselected national population: A 21-year experience. Heart. 2011;97(2):124-30.

5. Singh Y, McGeoch L. Fetal anomaly screening for detection of congenital heart defects. J Neonatal Biol. 2016;05(02):1-5.

6. Miyoshi T, Hosoda H, Nakai M, Nishimura K, Miyazato M, Kangawa K, et al. Maternal biomarkers for fetal heart failure in fetuses with congenital heart defects or arrhythmias. Am J Obstet Gynecol. 2019;220(1):104.e1-104.e15.

7. Biró O, Rigó J, Nagy B. Noninvasive prenatal testing for congenital heart disease–cell-free nucleic acid and protein biomarkers in maternal blood. J Matern Neonatal Med. 2020;33(6):1044-50.

8. Yu L, Guo Y, Wang Y, Yu J, Chen P. Segmentation of fetal left ventricle in echocardiographic sequences based on dynamic convolutional neural networks. IEEE Trans Biomed Eng. 2017;64(8):1886-95.

9. Dong S, Luo G, Wang K, Cao S, Li Q, Zhang H. A combined fully convolutional networks and deformable model for automatic left ventricle segmentation based on 3D echocardiography. Biomed Res Int. 2018;1-16.

10. Bridge CP, Ioannou C, Noble JA. Automated annotation and quantitative description of ultrasound videos of the fetal heart. Med Image Anal. 2017;36:147-61.

11. Nurmaini S, Rachmatullah MN, Sapitri AI, Darmawahyuni A, Tutuko B, Firdaus F, et al. Deep learning‐based computer‐aided fetal echocardiography: Application to heart standard view segmentation for congenital heart defects detection. Sensors. 2021;21(23):8007.

(Doc Humas RSMH)