Prediksi Gagal Ginjal Kronis

Jandri Tampubolon 23.55.2543

Kurnia Khoirul Candra 23.55.2538

Maimi Herawati 23.55.2527

Judul, Jurnal dan Tahun

• A Multi-Task Neural Network Architecture for Renal Dysfunction Prediction in Heart Failure Patients With Electronic Health Records (2019)
• An Empirical Evaluation of Machine Learning Techniques for Chronic Kidney Disease Prophecy (2020)
• Early Prediction of Chronic Kidney Disease Using Deep Belief Network (2021)
• Prediction of Chronic Kidney Disease - A Machine Learning Perspective (2021)
• Comprehensive Performance Assessment of Deep Learning Models in Early Prediction and Risk Identification of Chronic Kidney Disease (2021)
• HDLNET: A Hybrid Deep Learning Network Model With Intelligent IOT for Detection and Classification of Chronic Kidney Disease (2023)
• Chronic Diseases Prediction Using Machine Learning With Data Preprocessing Handling: A Critical Review (2024)

Masalah yang Ditemukan

• Beberapa penelitian membahas upaya untuk membangun sistem cerdas untuk memprediksi CKD dengan menganalisis data kesehatan, kinerja sistem ini masih perlu ditingkatkan. Makalah ini mengusulkan model klasifikasi dan prediksi yang cerdas untuk memprediksi CKD pada tahap awal.
• Disfungsi ginjal merupakan komplikasi umum pada pasien gagal jantung yang berdampak buruk pada prognosis pasien. Prediksi disfungsi ginjal yang tepat waktu dapat membantu staf medis melakukan intervensi dini.
• Penyakit ginjal kronis (CKD) merupakan masalah kesehatan global yang perlu ditangani dengan cepat. Deteksi dini CKD penting untuk penanganan yang tepat. Oleh karena itu, penelitian ini bertujuan untuk membandingkan kinerja berbagai teknik pembelajaran mesin dalam memprediksi CKD.
• CKD merupakan salah satu penyakit kritis saat ini dan diperlukan diagnosis yang tepat sesegera mungkin. Teknik pembelajaran mesin telah menjadi andal untuk perawatan medis, namun prediksi CKD masih perlu dikaji lebih lanjut
• Insiden penyakit ginjal kronis (CKD) meningkat secara cepat di seluruh dunia. CKD asimptomatik umum terjadi dan pemantauan berbasis pedoman untuk memprediksi CKD melalui berbagai faktor masih belum banyak digunakan Sistem diagnosis berbantuan komputer (computer-aided diagnostic - CAD) dapat berperan penting untuk memprediksi CKD.
• Bagaimana menghasilkan peningkatan kinerja dan menyelesaikan permasalahan pada data medis untuk prediksi penyakit kronis.
• Kanker ginjal sulit diidentifikasi pada tahap awal dengan teknik klinis standar. Penyakit ginjal kronis (CKD) mempengaruhi struktur dan fungsi ginjal, dengan komplikasi yang serius. Algoritma kategorisasi yang sering digunakan dalam instrumen diagnosis medis otomatis dapat menurunkan akurasi diagnosis CKD.

Tujuan Penelitian

• Penelitian ini bertujuan untuk mengembangkan model klasifikasi dan prediksi yang cerdas untuk memprediksi penyakit ginjal kronis (CKD) pada tahap awal menggunakan Deep Belief Network (DBN) yang dimodifikasi.
• Mengembangkan model jaringan saraf multi-tugas yang lebar dan dalam (MT-DWNN) untuk memprediksi disfungsi ginjal pada pasien gagal jantung secara akurat dan tepat waktu.
• Tujuan dari penelitian ini adalah untuk mengevaluasi secara empiris tujuh teknik pembelajaran mesin yang berbeda untuk mengklasifikasikan pasien dengan penyakit ginjal kronis (CKD) atau tidak (NOTCKD).
• Jurnal ini bertujuan untuk memprediksi penyakit ginjal kronis (Chronic Kidney Disease - CKD) menggunakan berbagai algoritma pembelajaran mesin. Tujuannya adalah untuk mendeteksi CKD secara tepat waktu dengan bantuan algoritma pembelajaran mesin.
• Melakukan penilaian kinerja yang komprehensif terhadap berbagai model deep learning untuk memprediksi dan mengidentifikasi risiko penyakit ginjal kronis (chronic kidney disease - CKD) secara dini.
• Melakukan tinjauan literatur sistematis (Systematic Literature Review/SLR) tentang penelitian prediksi penyakit kronis menggunakan pembelajaran mesin dan penanganan data preprocessing.
• Memperkenalkan model jaringan pembelajaran mendalam hybrid (HDLNet) baru untuk deteksi dan prediksi dini penyakit ginjal kronis (CKD). Mengembangkan teknik berbasis pembelajaran mendalam yang disebut Deep Separable Convolution Neural Network (DSCNN) untuk deteksi dini CKD. Menggunakan Capsule Network (CapsNet) untuk mengekstraksi lebih banyak atribut pemrosesan dari karakteristik yang dipilih untuk menunjukkan masalah ginjal. Memilih karakteristik terkait menggunakan metode Aquila Optimization Algorithm (AO) untuk mempercepat proses kategorisasi. Mengoptimalkan teknik DSCNN untuk mendiagnosis penyakit ginjal sebagai CKD atau non-CKD menggunakan Sooty Tern Optimization Algorithm (STOA).

Sumber Dataset

• Dataset yang digunakan berasal dari data medis pasien.
• Dataset dikumpulkan dari Rumah Sakit Umum PLA China, terdiri dari 35.101 rawat inap dengan diagnosis gagal jantung dan 2.478 rawat inap dengan diagnosis disfungsi ginjal selama 18 tahun terakhir.
• repositori UCI.
• dataset yang sudah diproses
• data medis pasien untuk prediksi penyakit kronis.
• UCI.

Metodologi dan Algoritma

• Penelitian ini menggunakan Deep Belief Network (DBN) yang dimodifikasi sebagai algoritma klasifikasi untuk memprediksi penyakit terkait ginjal. DBN digunakan sebagai model pembelajaran mendalam, dan Softmax sebagai fungsi aktivasi serta Categorical Cross-entropy sebagai fungsi kerugian.
• Peneliti mengusulkan model jaringan saraf multi-tugas yang lebar dan dalam (MT-DWNN) untuk memprediksi disfungsi ginjal pada pasien gagal jantung. Metode ini dibandingkan dengan model jaringan saraf tunggal, hutan acak, dan regresi logistik.
• NBTree, J48, Support Vector Machine (SVM), Regresi Logistik, Multi-layer Perceptron, Naive Bayes, dan Composite Hypercube on Iterated Random Projection (CHIRP).
• algoritma pengklasifikasi diterapkan: jaringan saraf tiruan, C5.0, Detektor interaksi otomatis Chi-square, regresi logistik, mesin vektor dukungan linier dengan penalti L1 & L2, dan pohon acak
• Mengimplementasikan 7 algoritma deep learning mutakhir (ANN, LSTM, GRU, Bidirectional LSTM, Bidirectional GRU, MLP, dan Simple RNN) untuk memprediksi dan mengklasifikasi CKD. Menggunakan 5 pendekatan yang berbeda untuk mengekstraksi dan mengevaluasi fitur dari dataset CKD.
• Metode pembelajaran mesin yang dibahas: pembelajaran terawasi, pembelajaran ansambel, pembelajaran mendalam, dan pembelajaran penguatan. Penanganan preprocessing yang dibahas: missing value, outlier, pemilihan fitur, normalisasi, dan ketidakseimbangan data.
• Teknik DSCNN untuk deteksi dini CKD. Capsule Network (CapsNet) untuk ekstraksi atribut tambahan. Aquila Optimization Algorithm (AO) untuk pemilihan fitur. Sooty Tern Optimization Algorithm (STOA) untuk optimasi DSCNN.

Matrix Pengukuran dan Hasil

• Evaluasi terhadap model yang diusulkan menunjukkan bahwa model tersebut dapat memprediksi CKD dengan akurasi 98,5% dan sensitivitas 87,5% dibandingkan dengan model yang ada.
• Untuk tugas prediksi disfungsi ginjal, model MT-DWNN mencapai AUC 0,9393, yang secara signifikan lebih baik (p<0,01) dibandingkan model jaringan saraf tunggal (0,9370), hutan acak (0,9360), dan regresi logistik (0,9233).
• Matriks pengukuran yang digunakan adalah Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), Relative Absolute Error (RAE), Root Relative Squared Error (RRSE), recall, precision, F-measure, dan akurasi. Hasil menunjukkan bahwa CHIRP memiliki kinerja terbaik dalam mengurangi tingkat kesalahan dan meningkatkan akurasi prediksi CKD.
• Hasil menunjukkan bahwa LSVM dengan penalti L2 memberikan akurasi tertinggi sebesar 98,86% pada teknik pengambilan sampel oversampling minoritas sintetik dengan fitur lengkap. Presisi, recall, F-measure, AUC, dan koefisien GINI juga dihitung dan dibandingkan.
• Mengukur akurasi, presisi, recall, loss, dan validation loss dalam prediksi. Menganalisis waktu komputasi, rasio prediksi, dan AUC untuk mengevaluasi kinerja model.
• Algoritma seperti ANN, Simple RNN, dan MLP memberikan akurasi tinggi (99%, 96%, 97%) dan rasio prediksi yang baik dengan waktu yang lebih singkat.
• Faktor yang paling mempengaruhi prediksi penyakit kronis adalah kualitas data dan pilihan metode pembelajaran mesin. Faktor yang paling dipertimbangkan dalam memilih prediktor adalah evaluasi kinerjanya (akurasi, perolehan, presisi, skor f1).
• Akurasi, sensitivitas, MCC, PPV, FPR, FNR, dan spesifisitas sebagai matriks kinerja. Metode yang diusulkan menghasilkan kategorisasi CKD yang lebih baik dibandingkan metode mutakhir saat ini.

Kelemahan dari Penelitian

• Penelitian tidak menyebutkan secara spesifik sumber dataset yang digunakan. Selain itu, perlu dilakukan evaluasi lebih lanjut pada dataset yang lebih besar dan beragam untuk menguji kehandalan model.
• Perlu studi lebih lanjut untuk menerapkan model pada dataset yang lebih beragam dan besar. Perlu mempertimbangkan faktor-faktor lain yang dapat memengaruhi disfungsi ginjal pada pasien gagal jantung.
• Penelitian ini tidak menyebutkan sumber dataset secara spesifik. Selain itu, dapat dilakukan evaluasi lebih lanjut dengan menambahkan teknik pembelajaran mesin lainnya dan dataset yang lebih besar.
• Penelitian ini hanya menggunakan dataset dari repositori UCI. Pengujian pada dataset yang lebih besar dan beragam dapat memberikan wawasan yang lebih luas. Selain itu, kombinasi algoritma pembelajaran mesin juga dapat dieksplorasi untuk meningkatkan kinerja prediksi.
• Tidak dijelaskan secara rinci dataset yang digunakan dalam penelitian. Dapat menambahkan perbandingan dengan teknik klasifikasi data tradisional lainnya.
• Tidak disebutkan secara eksplisit, tapi diindikasikan bahwa masih ada isu-isu terbuka dan potensi upaya di masa depan untuk meningkatkan kinerja prediksi penyakit kronis.
• Tidak dijelaskan secara rinci mengenai arsitektur model HDLNet dan parameter yang digunakan. Perlu pengujian lebih lanjut pada dataset yang lebih besar dan beragam untuk mengevaluasi kinerja model.

Novelty

• Penggunaan teknik pembelajaran mendalam tingkat lanjut, yaitu Deep Belief Network (DBN) yang dimodifikasi, untuk memprediksi CKD pada tahap awal.
• Pengembangan model jaringan saraf multi-tugas yang lebar dan dalam (MT-DWNN) untuk memprediksi disfungsi ginjal pada pasien gagal jantung secara akurat dan tepat waktu.
• Penelitian ini membandingkan secara empiris tujuh teknik pembelajaran mesin yang berbeda untuk prediksi CKD, di mana CHIRP menunjukkan kinerja terbaik.
• Penelitian ini menerapkan berbagai algoritma pembelajaran mesin dan teknik pemilihan fitur untuk memprediksi CKD, serta membandingkan kinerja algoritma tersebut.
• Penilaian kinerja yang komprehensif terhadap model deep learning untuk memprediksi dan mengklasifikasi CKD serta faktor risikonya.
• Menyajikan Systematic Literature Review (SLR) yang menawarkan pembahasan komprehensif mengenai penelitian prediksi penyakit kronis menggunakan pembelajaran mesin dan penanganan preprocessing data.
• Penggunaan model jaringan pembelajaran mendalam hybrid (HDLNet) yang memanfaatkan teknik DSCNN, CapsNet, AO, dan STOA untuk deteksi dan klasifikasi CKD.

Kesimpulan

• Penelitian ini mengusulkan model klasifikasi dan prediksi yang cerdas menggunakan Deep Belief Network (DBN) yang dimodifikasi untuk memprediksi penyakit ginjal kronis (CKD) pada tahap awal. Hasil evaluasi menunjukkan bahwa model tersebut dapat memprediksi CKD dengan akurasi yang tinggi, sehingga dapat membantu dalam pengambilan keputusan klinis dan prediksi awal CKD untuk mengurangi perkembangan kerusakan ginjal.
• Penelitian ini mengusulkan model jaringan saraf multi-tugas yang lebar dan dalam (MT-DWNN) yang dapat memprediksi disfungsi ginjal pada pasien gagal jantung secara akurat dan tepat waktu, dengan performa yang lebih baik dibandingkan model konvensional.
• Penelitian ini menyimpulkan bahwa CHIRP memiliki kinerja terbaik dalam memprediksi CKD dibandingkan dengan teknik pembelajaran mesin lainnya yang dievaluasi.
• Penelitian ini menunjukkan bahwa algoritma pembelajaran mesin, khususnya LSVM dengan penalti L2, dapat digunakan untuk memprediksi CKD dengan akurasi yang tinggi. Hasil ini dapat membantu dokter dalam mendeteksi CKD secara tepat waktu.
• Model deep learning yang dikembangkan dalam penelitian ini mengungguli teknik klasifikasi data tradisional dalam hal kemampuan prediktif yang superior.
• Penelitian ini merupakan langkah awal menuju penilaian kinerja yang komprehensif untuk mengklasifikasi dan memprediksi CKD menggunakan model deep learning dan faktor risikonya terkait.
• Prediksi penyakit kronis bertujuan untuk menghasilkan peningkatan kinerja dan menyelesaikan permasalahan pada data medis melalui pembelajaran mesin dan penanganan data preprocessing.
• Penelitian ini memperkenalkan model HDLNet yang memanfaatkan teknik pembelajaran mendalam inovatif untuk mendeteksi dan memprediksi CKD secara efektif dan akurat. Metode yang diusulkan memberikan hasil yang lebih baik dibandingkan pendekatan saat ini. Namun, perlu pengembangan lebih lanjut dan pengujian yang lebih komprehensif untuk meningkatkan kinerja dan aplikabilitas model.

• Prediksi gagal ginjal kronis menggunakan algoritma machine learning Logistic Regression
• Dataset diambil dari https://www.kaggle.com/ (kidney_disease.csv)
• Proses Mengubah Input Menjadi Luaran menggunakan Google Colab
• Output : Hasil Prediksi Gagal Ginjal atau Tidak Gagal Ginjal

Tabel Pasien