Perpustakaan Digital ITB

Identifikasi sepsis lebih awal menjadi kunci untuk meningkatkan luaran manajemen sepsis. Machine Learning (ML) berpotensi untuk memprediksi sepsis secara otomatis. Namun, hasil prediksi ML tidak dapat sepenuhnya dipercaya oleh klinisi. Explainable Artificial Intelligence (XAI) menjadi jembatan untuk membangun kepercayaan klinisi. Penelitian ini bertujuan menyusun XAI untuk prediksi sepsis dan memvalidasi explainability-nya pada klinisi. Dua buah arsitektur XAI yaitu MGP-AttTCN dan MGP-LogReg direplikasi berdasarkan studi terdahulu. Masing-masing arsitektur dilatih dan diuji pada 3 buah set parameter (set referensi, baseline, dan praktik eksisting lokal) dengan 2 kombinasi label (SOFA dan qSOFA-septic shock) dari rekam medis elektronik MIMIC-IV. Tiga buah metode explainability yang model-specific yaitu explainability lokal dari arsitektur MGP-LogReg, explainability lokal dari arsitektur MGP-AttTCN, dan explainability global dari arsitektur MGP-LogReg akan disusun dari bobot hasil pelatihan arsitektur. Pada studi explainability dengan klinisi, ketiga metode tersebut dibandingkan dengan kondisi kontrol (tanpa explainability). Studi tersebut dilakukan melalui kuesioner untuk membandingkan proses diagnosis dengan dan tanpa metode explainability. Hasil pengujian menunjukan bahwa kombinasi dengan label SOFA memiliki inferensi yang lebih baik dibandingkan qSOFA-septic shock. Label SOFA memiliki kohort kasus yang lebih besar daripada qSOFA-septic shock. Akibatnya, kondisi sepsis yang dapat diinferensi oleh arsitektur lebih beragam pada label SOFA. Perbandingan performa berdasarkan jumlah parameter menunjukan bahwa MGP-AttTCN tetap mampu mendapatkan performa yang baik meskipun jumlah parameter yang digunakan jauh lebih sedikit. Kontribusi parameter pada label SOFA untuk masing-masing arsitektur menunjukan keunggulan MGP-AttTCN dalam menginferensi informasi vital dan laboratorium dibandingkan MGP-LogReg. Meskipun demikian, performa tertinggi yang diperoleh pada MGP-AttTCN belum optimal (AUROC: 0.745 dan AUPRC: 0.525). Hasil studi explainability menunjukan bahwa explainability global menghasilkan konsensus diagnosis tertinggi diantara tipe lainnya. Berdasarkan pendapat klinisi, variasi explainability lainnya tidak menjelaskan kondisi sepsis yang konsisten secara klinis. Dengan demikian, studi lanjutan perlu dilakukan untuk mendapatkan XAI dengan performa yang lebih baik dan mampu menampilkan explainability yang relevan secara klinis.