
Dalam sebuah makalah terbaru yang diterbitkan dalam jurnal Nature menyebut bahwa kecerdasan buatan atau artificial intelligence (AI) ciptaan Google bisa memprediksi kapan seseorang akan meninggal dunia dengan akurasi hingga 95 persen!
Hal ini bisa dilakukan oleh kecerdasan buatan tersebut dengan memasukkan data catatan kesehatan elektronik milik seseorang. Selanjutnya, dengan model pembelajaran dan perhitungan yang mendalam, maka akan didapatkan hasil prediksi yang secara substansial berakurasi tinggi.
Bukan untuk menakuti
Dirangkum dari Futurism, dalam uji coba penelitian ini, para peneliti menggunakan data dari 216.000 pasien dewasa dari dua rumah sakit di Amerika Serikat.
Hasilnya, para peneliti bisa menunjukkan bahwa hasil perhitungan algoritma ini bisa memprediksi kapan seorang pasien harus dirawat di rumah sakit hingga waktu kematiannya.
“Kami tertarik untuk memahami apakah pembelajaran yang mendalam dapat menghasilkan prediksi yang valid diberbagai macam masalah dan hasil klinis,” tulis para peneliti dalam laporan mereka dikutip dari Fox News.
“Oleh karena itu, kami memilih hasil dari domain yang berbeda, termasuk hasil klinis yang penting (kematian), ukuran standar kualitas perawatan (readmission), ukuran pemanfaatan sumber daya (lama tinggal), dan ukuran pemahaman masalah pasien (diagnosis),” imbuh mereka.
Meski bisa digunakan untuk memprediksi kematian seseorang, namun kecerdasan buatan ini bukan untuk menakut-nakuti. Tapi justru sebaliknya, teknologi tersebut akan digunakan oleh para ahli untuk memprioritaskan perawatan pasien, menyesuaikan rencana perawatan, hingga menangkap keadaan darurat medis yang terjadi.

Pada saat penerimaan, rata-rata memiliki 137.882 token (potongan data terpisah yang kami definisikan di bagian metode), yang meningkat secara nyata selama pasien tinggal hingga 216.744 saat pulang. Kotak kotak ini menampilkan jumlah data (pada skala log) di EHR, bersama dengan variasi temporal di sepanjang jalan masuk. Kami mendefinisikan token sebagai elemen data tunggal dalam catatan kesehatan elektronik, seperti nama obat, pada titik waktu tertentu. Setiap token dianggap sebagai prediktor potensial oleh model pembelajaran mendalam. Garis di dalam kotak mewakili median, kotak mewakili rentang interkuartil (IQR), dan kumisnya 1,5 kali IQR. Jumlah token meningkat terus dari masuk ke debit. Saat pulang, jumlah token rata-rata untuk Rumah Sakit A adalah 86.477 dan untuk Rumah Sakit B adalah 122.961
Akurasi Tinggi
Dalam prediksinya, kecerdasan buatan milik Google ini punya akurasi yang tinggi. Angka akurasi prediksi kematian pasien pada rumah sakit pertama menunjukkan angka hingga 95 persen! Sedangkan pada rumah sakit kedua menunjukkan akurasi 93 persen.
“Ini secara signifikan lebih akurat daripada model prediksi tradisional. Model ini mengungguli model prediktif tradisional yang digunakan secara klinis dalam semua kasus. Kami percaya bahwa pendekatan ini dapat digunakan untuk membuat prediksi yang akurat dan scalable untuk berbagai skenario klinis,” tulis para peneliti dalam laporannya dikutip dari The Independent, Rabu (20/06/2018).
Dalam salah satu studi kasus, algoritma Medical Brain ini memberi seorang wanita penderita kanker payudara metastasis 19,9 persen, kemungkinan meninggal di rumah sakit dengan menggetarkan 175.639 poin data dari catatan medisnya.
Hal ini berbeda jauh dengan prediksi tradisional yang dilakukan selama ini. Angka “peringatan dini” rumah sakit hanya menunjukkan 9,3 persen peluang untuk meninggal dunia. Sayangnya, kecerdasan buatan itu yang justru lebih tepat dan benar. Dalam dua minggu, pasien tersebut sudah meninggal.

Area di bawah kurva karakteristik operasi penerima diperlihatkan untuk prediksi mortalitas rawat inap yang dibuat dengan pembelajaran mendalam dan model dasar pada 12 jam bertahap sebelum dan sesudah masuk rumah sakit. Untuk mortalitas rawat inap, model pembelajaran dalam mencapai diskriminasi yang lebih tinggi pada setiap waktu prediksi dibandingkan dengan baseline untuk kohor Universitas California, San Francisco (UCSF) dan University of Chicago Medicine (UCM). Kedua model meningkat dalam 24 jam pertama, tetapi model pembelajaran mendalam mencapai tingkat akurasi yang sama sekitar 24 jam sebelumnya untuk UCM dan bahkan 48 jam sebelumnya untuk UCSF. Bar kesalahan mewakili interval kepercayaan 95% “bootstrapped” (mendapatkan sesuatu ke dalam atau keluar dari situasi dengan menggunakan sumber daya yang ada).
Menuai Kontroversi
Menggabungkan teknologi semacam ini dengan bidang kesehatan bukanlah hal yang mudah. Ada banyak ketakutan dan dukungan terkait dengan hal ini. American Medical Association mengakui dalam sebuah pernyataan bahwa menggabungkan AI dengan dokter manusia dapat membawa manfaat yang signifikan.
Meski begitu, asosiasi medis tersebut menyatakan bahwa alat-alat AI harus “berusaha untuk memenuhi beberapa kriteria utama, termasuk transparan, berbasis standar, dan bebas dari bias.”
Pendapat senada juga diungkapkan oleh Dr Mikhail Varshavski, seorang dokter perawatan keluarga. Menurutnya, menghubungkan sejumlah besar informasi kesehatan dapat bermanfaat bagi pasien, tapi kuncinya adalah privasi data.
“Hal yang mengkhawatirkan bagi saya adalah apa yang terjadi dengan data ini dan siapa yang memiliki data ini?”, tanya Dr Mikhail Varshavski.
“Saya berharap, sebagai dokter, bahwa perusahaan-perusahaan ini menggunakan data untuk menguntungkan pasien, bukan perusahaan itu sendiri,” tambahnya. Selain itu, Varshavski juga mengingatkan perlunya pengawasan terhadap teknologi ini. (IndoCropCircles.com)
Pustaka:
- futurism, Google’s AI Can Predict When A Patient Will Die
- nature, Scalable and accurate deep learning with electronic health records
- foxnews, Google AI can predict when you’ll die with 95 percent accuracy, researchers say
- vaaju, Exactly 95 percent, AI Google can predict when someone dies
- kompas.com, Akurat 95 Persen, AI Google Bisa Prediksi Kapan Seseorang Meninggal
- intisari, Kecerdasan Buatan Ciptaan Google Bisa Prediksi Kematian Seseorang, Akurasi Mencapai 95 Persen

Catatan pasien menunjukkan seorang wanita dengan kanker payudara metastatik dengan efusi pleura ganas dan empiema. Garis waktu pasien di bagian atas gambar berisi lingkaran untuk setiap langkah waktu yang setidaknya satu token ada untuk pasien, dan garis horizontal menunjukkan tipe data. Ada pandangan close-up dari titik data terbaru tepat sebelum prediksi yang dibuat 24 jam setelah masuk. Kami melatih model untuk setiap tipe data dan menyorot merah token yang dihadiri oleh model – teks yang tidak disorot tidak diperhatikan tetapi ditampilkan untuk konteks. Model mengambil fitur dalam obat, flowsheet keperawatan, dan catatan klinis yang relevan dengan prediksi yang ada.

Data dari setiap sistem kesehatan dipetakan ke sumber daya FHIR (Fast Healthcare Interoperability Resources) yang sesuai dan ditempatkan dalam urutan sementara. Konversi ini tidak mengharmonisasikan atau menstandardisasi data dari setiap sistem kesehatan selain memetakannya ke sumber daya yang sesuai. Model pembelajaran mendalam dapat menggunakan semua data yang tersedia sebelum titik ketika prediksi dibuat. Oleh karena itu, setiap prediksi, terlepas dari tugasnya, menggunakan data yang sama.
Artikel Lainnya:
Telomer Kromosom Mampu Prediksi Kematian Anda
Misteri Kematian: Gila! Ilmuwan Klaim, Kematian Bisa Ditunda
Ilmuwan: Ada Kehidupan Selanjutnya, Kematian Bukanlah Akhir Segalanya!
Wow! Cacing Nematoda Bisa Deteksi Kanker Dini Dengan Akurasi 95%
Minuman Pemanis Buatan Sebabkan 200.000 Kematian Per Tahun!
Bagaimana Badan Intelijen CIA Membuat Google? (Google PART-1)
Mengapa Google Membuat Badan Agen NSA? (Google PART-2)
Wow! Waspadalah, Peramban “Google Chrome” Memindai File Komputer Anda!
Terkuak, Rahasia Umur Panjang ala Jepang: Hyaluronic Acid, Zat Panjang Umur!!
Terkuak: Gen Yang Bisa Buat Manusia Berumur 120 Tahun!
Ini Dia! Misteri Manusia Masa Lalu Berumur Lebih Panjang
Terkuak! Elit Illuminati Pakai Darah Anak Muda Agar Hidup Lebih Lama
((( IndoCropCircles.com | fb.com/IndoCropCirclesOfficial )))
- Fajar Nurzaman - Blog Sang Pembelajar -
https://i2.wp.com/fajarnurzaman.net/wp-content/uploads/2018/10/1539120680_ngeri-google-ciptakan-kecerdasan-buatan-bisa-prediksi-kematian-dengan-akurasi-95.jpg?fit=1201%2C838
- http://fajarnurzaman.net/mistery-konspirasi/ngeri-google-ciptakan-kecerdasan-buatan-bisa-prediksi-kematian-dengan-akurasi-95/
0 komentar:
Post a Comment