Perpustakaan Digital ITB

Indonesia memiliki tingkat stunting yang masih tinggi yaitu sebesar 19,8% pada tahun 2024. Stunting disebabkan oleh malnutrisi kronis serta berdampak permanen apabila tidak ditangani pada periode 1000 hari pertama kehidupan. Namun, diagnosis stunting saat ini masih bergantung pada pengukuran antropometri yang mendeteksi ketika telah muncul manifestasi fisik. Berbagai studi menunjukkan bahwa disbiosis pada mikrobioma usus berperan dalam gangguan penyerapan nutrisi dan inflamasi kronis yang berkontribusi terhadap risiko malnutrisi kronis. Perubahan komposisi mikrobioma ini dapat terdeteksi sebelum gejala fisik muncul, sehingga berpotensi sebagai pendekatan strategis deteksi dini risiko stunting pada baduta. Dalam penelitian ini, dilakukan identifikasi bakteri kunci potensial yang berasosiasi dengan prevalensi stunting dari sampel feses dan mengembangkan metode prediksi risiko stunting berbasis mikrobioma saluran cerna dengan pendekatan machine learning. Penelitian ini melibatkan 117 sampel feses bayi berusia 0-24 bulan yang terdiri atas 33 sampel sehat dan 84 sampel prevalensi stunting dari Kabupaten Tasikmalaya. Komunitas mikrobioma dianalisis melalui metode Shotgun Metagenomic dengan Illumina NovaSeq 6000. Profil taksonomi diidentifikasi dan dikuantifikasi menggunakan database dan algoritma MetaPhlAn4. Perhitungan jumlah total bakteri dilakukan dengan menggunakan Quantitative Polymerase Chain Reaction (qPCR) dengan primer gen 16s rRNA. Selanjutnya dilakukan analisis diversitas alfa, beta dan uji signifikansi PERMANOVA dan Mann-Whitney dengan menggunakan paket Vegan pada R. Identifikasi mikrobioma penanda dilakukan dengan analisis diferensial MaAslin2 menggunakan program R. Model prediksi risiko stunting dilatih menggunakan pendekatan regresi logistik dengan aplikasi GraphPad, kemudian dilakukan evaluasi terhadap model. Pengambilan informasi kuesioner juga dilakukan untuk eksplorasi hubungan kesehatan saluran cerna dan nutrisi terhadap kondisi kesehatan maupun profil mikrobioma. Hasil penelitian menunjukkan komposisi mikrobioma pada populasi dipengaruhi oleh dominasi filum Firmicutes dan Bacteroidetes, serta kelompok usia secara signifikan (p-value = 0.004). Pemetaan gizi menunjukkan adanya pemisahan distribusi antara anak dengan prevalensi sehat dan stunting berdasarkan status pemberian ASI (komposisi asupan ASI). Hasil kuantifikasi gen 16S rRNA pada kelompok sehat terdeteksi log 10.83 kopi DNA/g dan stunting sebesar log 10.45 kopi DNA/g. Analisis indeks keanekaragaman alfa (indeks Shannon, indeks dominasi Simpson dan kemerataan Pielou) dan beta tidak menunjukkan perbedaan yang signifikan. Rasio Firmicutes terhadap Bacteroidetes pada kelompok sehat (~0.91) ditemukan lebih tinggi dibandingkan kelompok stunting (~0.76) namun perbedaan ini tidak signifikan secara statistik (p-value = 0.38).Perbedaan yang signifikan ditemukan pada nilai kekayaan spesies pada kelompok stunting. Analisis diferensial menunjukkan prevalensi stunting berasosiasi signifikan (p-val < 0.05 ; q-val < 0.1) dengan peningkatan spesies bakteri Bacteroides fragilis, Veillonella dispar, Peptostreptococcus stomatis, dan Oliverpabstia intestinalis serta berkurangnya spesies Ruminococcus bromii, Lachnospira pectinoschiza, dan Vescimonas coprocola. Ketujuh spesies tersebut selanjutnya digunakan sebagai fitur prediktif bersama variabel usia dalam pembentukan model regresi logistik untuk mengestimasi probabilitas risiko stunting pada tingkat individu. Model yang dihasilkan menunjukkan performa prediksi yang baik dengan nilai Area Under Curve (AUC) sebesar 0,86, sensitivitas 0,8, dan spesifisitas 0,81 pada data pengujian. Hasil penelitian ini menunjukkan prevalensi stunting berhubungan dengan peningkatan spesies bakteri oportunistik serta penurunan spesies komensl. Model prediksi dengan mengintegrasikan tujuh spesies penanda dan variabel usia melalui pendekatan regresi logistik menghasilkan model dengan nilai AUC, sensitivitas dan spesifisitas yang sangat baik, sehingga berpotensi sebagai metode deteksi dini risiko stunting. Penelitian lanjutan dengan validasi model pada populasi yang lebih besar perlu dilakukan untuk mengurangi overfitting pada model.