algoritma pohon keputusan dapat memprediksi diagnosis dan akibat

8/18/2019 Algoritma Pohon Keputusan Dapat Memprediksi Diagnosis Dan Akibat

1/24

Algoritma alur Keputusadapat Memprediksi

Diagnosis dan Akibat daDemam Dengue pada Fas

Awal Penyakit Jurnal Infeksi

RANTI ADRIANI


2/24

Latar Belakang• Dengue di daerah tropis rekurensi epidemic yan

• 4 virus dengue nyamuk Aedes, terutama Aedes aegypti

• DHF dan sindrom syok dengue (DSS) tidak ditatalaksana baikematian.

• Patofisiologi DHF berat dan DSS kebo!oran plasma sebagai dam peruba"an permeabilitas mikrovaskular

• #elum ada vaksin atau terapi antiviral spesifik untuk DF$DHF da penatalaksanaan kasus kebanyakan "anya tinggal supportif.

• Manifestasi klinis aal rancu mengacaukanpenatalaksanaan klinis dan !uga pengaasan penya


3/24

• %e&ala yang lebi" spesifik seperti nyeri retro orbital, dan tandseperti ptekie, tidak mun!ul sampai fase lan&utan penyakit,

ma"al tidak tersedia di daera" endemis

• Data klinis seder"ana dan tepat saat a'al mana&emen kasu

&uga untuk penga'asan dengue

• Skema H ge&ala klinis yang tidak ada pada a'al bu

untuk diagnosis dini menga'asi progesifitas penyakit unt

penatalaksanaan klinis dari DHF$DSS berat


4/24

• Evidence-based triaged strategi

tingkatan apenyakit dengue mengarahkan strati"kasi pauntuk in#estigasi klinis$ mana!emen$ dan penga#irology.

• Disini kami melaporkan indenti"kasi dari algoritm

dapat mem%edakan dengue dengan penyakit felainnya di pelayanan primer dan memperkirakankeparahan penyakit pada deasa.


5/24

Tu!uan penelitian

• Po"on keputusan

algoritma diagnosis intuitif men

parameter klinis dan "aematologi, membedakan de

penyakit non*dengue dalam + &am pertama penyakit.

• bukti konsep untuk penetapan prognosis a'al penyak


6/24

Metode penelitian• Protokol penelitian disetuji oleh setiap dewan institusi.

• Pendaftaran pasien, pengumpulan data klinis dan epidemiologi pada

Healthcare Group, Singapura : disetujui oleh NHG IR !"SR #$%#$&'

• Pendaftaran pasien, pengumpulan data klinis dan epidemiologi di Ruma

Hap oleh komite penelitian dan etik rumah sakit

• Oxfordshire Tropical Research Ethical Committee, Inggris.

• Pendaftaran peserta : kondisional dengan informed consent )ang sesu

• . Semua material *iologi )ang dikumpulkan *ersifat anonim setelahpengumpulan data demografis dan klinis.


7/24

Skrining dan perekrutan

• Singapura Pasien de'asa (usia lebi" dari - ta"un) yang "adir di poliklinik layanan primer terpi

+ &am dari onset demam akut dan tanpa r"initis atau se!ara klinis &elas memiliki diagnosis alterna

termasuk kedalam kriteria inklusi penelitian.

• informasi demografis, klinis, dan epidemiologi yang dibuat anonim, formulir data yang tersta

kesempatan -*/ "ari setela" onset demam (kun&ungan pertama), 4*+ "ari setela" onset demam (k

dan /*4 minggu setela" onset demam (kun&ungan ketiga).

• Dara" vena analisis "aematologi, virology, dan serologi dalam setiap kun&ungan.

• Sisa serum dan dara" dibuat anonim dan disimpan pada *0°1 "ingga saaat digunakan.


8/24

Metode Laboratorium

• Haematologi : Hitung dara" lengkap

"aematositometer yang

FDA.

• Serologi dan deteksi antigen. 23SAs

• Reverse-transcription polymerase chain reaction (RT!R".

dinamakan dengue*- (S-44), dengue* (S7), dengue* (S7

(S%H) dan dengue*4 (S008), diperbanyak dalam kultur sel 18$/8


9/24

Analisis algoritma untuk modeling penyakit

•Classifer modeling.

&oftare Inforsense '(.) decision tre*Infor&ense Ltd.$ London$ Inggris+ mencegah over-ftting data.

• %er%agai macam pohon keputusan dengan ,kasus minimal- dih

yang didapatkan pada pohon dengan performa ter%aik yang dipil

• Algoritma yang telah dihitung di#alidasi

pendekatan #al

cross.

• &ampel asli di%agi kedalam sampel ksu%. &etiap

dikesampingkan dahulu se%agai data e#aluasi untuk pengu!ian m


10/24

•/roses #alidasi silang diulang k kali *lipat+ dan setiap sampel ksu

sekali se%agai data #alidasi. 0asil k didapatkan dari k-olds dapat kemud

rerata untuk menghasilkan estimasi tunggal dari performa model . Nilai

se%agai k 1 23.

•sensiti#itas dan spesi"sitas kur#a rerata receiver-operating c

*R4'+.

•Area di%aah kur#a *A5'+ digunakan se%agai indikator performa algo

keseluruhan. Algoritma dengan nilai sensiti#itas tertinggi dengan A5

dipilih.


11/24

#nalisis statistik

•Data means dan standar deviasi

• variabel kontinu u&i 7 sampel independen.

• 9&i normalitas S"apiroilk menilai parameter dengan distribusi tidak normal de0,0: yang mengindikasikan ba"'a parameter tidak !enderung berasal dari distr

• Parameter dengan distribusi tidak normal ditransformasi logistik dan diperikasanormalitasnya.

• ;ika distribusi tidak normalu &i


12/24

0asil penelitian

• Sebanyak -.00 pasien dengan + &am pertama demam akut dan di follow up sampai periode 4 minggu periode,

• -.0- direkrut dari Singapura dan - orang dari >ienam

• .Dari semua pasien, /84 adala" pasien dengue 57*P15 posit pasien dengan demam dengue, -+- pasien dengan D#D, dan

dengan DSS sebagai diagnosis ak"irnya


13/24

0asil penelitian

Algoritma keputusan untuk diagnosis dengue


14/24

Analisis statistik (!"i*s?uare) dari pemisa"an kriyang dilakukan pada setiap supgrup pada titik*tikeputusan


15/24


16/24

5ingkasan dari analisis validasi silang K-fold (k @ -0) untuk adiagnosis dengue dengan 8 diagnosis untuk sensitivitas danspesifisitas algoritma diagnosis dengue.


17/24

• strategi penatalaksanaan dengue terkini

membutu"kan pengamat tanda*tanda perburukan klinis, adanya "aemorragik atau kebo plasma.

• penyakit dengue dengan prevalensi tinggi, !epat mengatasi permketerbatasan sumber daya layanan kese"atan.

• kemudian men!ari algoritma yang dapat digunakan untuk penent

prognosis.• mengunakan "itung platelet :0.000$mm/ atau kurang pada "ari ke :

setela" onset penyakit tu&uan ak"ir untuk analisis

• 7rombositpenia pada level ini tela" ditemukan ber"ubungan dengan peningkatan risiko "aemorragik dan syok pada de'asa dengan DF.


18/24

Algoritma keputusan untuk mempredik penyakit dengue berat.


19/24

Analisis statistik (!"i*s?uare)dari pemisa"an kriteria ydilakukan pada setiap sub*grup di titik*titik keputusan


20/24


21/24

5ingkasan validasi silang K-fold (k @ -0) untuk algoritma predkepara"an dengan 8 analisi untuk sentivitas dan spesifisitasdalam memprediksi penyakit dengue berat


22/24

;umla" kasus yang dira'at inap di ruma" sakit rata*"ari ra'atan dan &umla" dengue yang berat se!ara klinko"ort


23/24

6esimpulan

• /enelitian ini menun!ukkan se%uah pem%uktiakonsep %aha algoritma keputusan denganmenggunakan parameter klinis dan haematologsederhana memprediksi diagnosis dan progndari penyakit dengue$

• se%uah temuan yang dapat ter%ukti efektif dalampenatalaksanaan dan pengaasan penyakit.


24/24

Terimakasih

algoritma pohon keputusan dapat memprediksi diagnosis dan akibat

Documents