Perpustakaan Digital ITB

Tingginya tingkat mortalitas kanker payudara di Indonesia disebabkan oleh keterlambatan diagnosis yang diperburuk oleh rendahnya motivasi masyarakat untuk melaksanakan skrining. Penelitian sebelumnya menunjukkan bahwa pengetahuan tentang risiko individu dapat meningkatkan motivasi untuk skrining. Namun, model prediksi risiko konvensional seperti Gail Model dan Breast Cancer Screening Consortium, yang dikembangkan berdasarkan populasi Kaukasia, menunjukkan penurunan akurasi ketika diterapkan pada populasi Asia, termasuk Indonesia. Penelitian ini bertujuan untuk mengidentifikasi metode pengembangan model prediksi risiko kanker payudara berbasis pembelajaran mesin yang memiliki performa klinis terbaik, serta mengevaluasi kelayakan implementasinya secara ekonomi dalam sistem kesehatan Indonesia. Menggunakan dataset PLCO dengan subset populasi Asia, penelitian ini mengeksplorasi berbagai kombinasi strategi seleksi fitur, penanganan ketidakseimbangan kelas, algoritma pembelajaran mesin, teknik rekayasa fitur, dan pembelajaran berbasis biaya. Evaluasi dilakukan dengan kerangka QALY-focused Clinical-Economic Decision Framework. Model terbaik diidentifikasi menggunakan algoritma XGBoost dengan seleksi fitur Statistical_40, transformasi statistik, dan case-control matching, yang mencapai AUC 0,638, sensitivitas 82,1%, dan spesifisitas 44,4%. Dibandingkan dengan penelitian Stark dkk., model ini menunjukkan peningkatan AUC +0,025 dan sensitivitas +0,133. Dibandingkan dengan Gail Model, terdapat peningkatan AUC +0,075 dan sensitivitas +0,174. Namun, spesifisitas mengalami penurunan sebesar -0.023 dibandingkan penelitian Stark dkk. dan -0.017 dibandingkan dengan Gail Model. Model ini menunjukkan cost-effectiveness yang sangat baik dengan $627 USD per QALY, yang menunjukkan bahwa model prediksi risiko kanker payudara superior telah berhasil dikembangkan, dengan kemampuan deteksi kanker yang jauh lebih baik dan tetap memenuhi kriteria kelayakan klinis serta cost-effectiveness untuk implementasi di Indonesia.