PERBANDINGAN OPTIMASI PADA MODEL SURVIVAL BERBASIS MACHINE LEARNING DENGAN INTEGRASI ALGORITMA LSTM DAN PENERAPANNYA PADA PASIEN ICU

Abstract

SYELLA ZIGNORA LIMBA. Perbandingan Optimasi pada Model Survival Berbasis Machine Learning dengan Integrasi Algoritma LSTM dan Penerapannya pada Pasien ICU. Dibimbing oleh ANWAR FITRIANTO dan INDAHWATI.

Unit Perawatan Intensif (ICU) merupakan lingkungan klinis dengan tingkat keparahan penyakit tinggi dan risiko mortalitas signifikan, sehingga kemampuan memprediksi waktu bertahan hidup pasien secara akurat menjadi sangat penting untuk mendukung pengambilan keputusan klinis, perencanaan terapi, serta alokasi sumber daya kesehatan yang lebih optimal. Model survival tradisional seperti Cox Proportional Hazard memiliki keterbatasan dalam menangkap hubungan non-linier antarvariabel serta dinamika temporal pada data klinis longitudinal, karena bergantung pada asumsi proportional hazard dan hubungan linier antara kovariat dan log-hazard. Keterbatasan ini menjadi semakin nyata pada data pasien ICU yang bersifat dinamis, di mana parameter fisiologis seperti tanda vital dan hasil analisis gas darah dicatat berulang kali sepanjang masa perawatan, sehingga pendekatan berbasis nilai statis tunggal kurang mampu memanfaatkan informasi tren perkembangan kondisi pasien secara optimal. Penelitian ini bertujuan mengevaluasi performa tiga model survival berbasis machine learning yang diintegrasikan dengan Long Short-Term Memory (LSTM) sebagai pengekstraksi fitur temporal, yaitu DeepSurv, DeepHit, dan NNet-Survival, yang masing-masing dilatih dengan tiga algoritma optimasi (AdamW, RAdam, Lion), serta mengidentifikasi pengaruh algoritma optimasi, tingkat kolinieritas antar variabel prediktor, dan bentuk fungsi hazard terhadap kemampuan diskriminasi model. Penelitian dilakukan dalam dua tahap yang saling melengkapi. Tahap pertama adalah kajian simulasi terkontrol dengan desain empat faktor (arsitektur model, algoritma optimasi, tingkat kolinieritas, dan bentuk hazard Weibull), menghasilkan 1.620 kombinasi pengamatan dari 20 replikasi dan evaluasi 5-fold cross-validation, yang dianalisis menggunakan ANOVA empat arah dan uji lanjut Tukey HSD. Skema nested cross-validation diterapkan secara konsisten pada tahap ekstraksi fitur LSTM, baik pada kajian simulasi maupun data empiris, untuk mencegah kebocoran data yang dapat menghasilkan estimasi performa yang terlalu optimistis. Tahap kedua adalah validasi pada data empiris 106 pasien Unit Perawatan Intensif Rumah Sakit Unggul Karsa Medika, dengan 424 observasi longitudinal mencakup tanda vital, hasil analisis gas darah, dan data demografis, dievaluasi lewat skema nested 5-fold stratified cross-validation dengan dua metrik pelengkap: concordance index (C-index) untuk mengukur diskriminasi, dan Integrated Brier Score (IBS) untuk mengukur akurasi kalibrasi probabilitas. Optimasi hyperparameter dilakukan melalui grid search bertingkat pada setiap fold, dengan konfigurasi terbaik dipilih berdasarkan validation split internal agar data uji tetap independen dari proses pemilihan model. Hasil kajian simulasi menunjukkan bahwa arsitektur model dan tingkat kolinieritas merupakan faktor paling dominan yang mempengaruhi C-index, dengan DeepSurv dan AdamW pada kolinieritas rendah menghasilkan performa tertinggi dan paling stabil , sedangkan DeepHit dengan Lion secara konsisten menghasilkan performa terendah. Analisis lanjutan berupa ANOVA tiga arah per tingkat kolinieritas mengonfirmasi bahwa kolinieritas tidak hanya menekan rata-rata performa, tetapi juga meredam kekuatan hampir seluruh faktor lain, termasuk interaksi Model×Optimizer yang kehilangan signifikansinya pada kolinieritas tinggi. Pada data empiris, model Cox-PH baseline dengan 17 kovariat klinis menghasilkan C-index in-sample 0,7631, dengan hanya Glasgow Coma Scale, Tekanan Darah Diastolik, dan Suhu Tubuh yang signifikan secara statistik, mengindikasikan multikolinieritas kuat antarparameter gas darah yang menginflasi standard error koefisien. Pada perbandingan model machine learning, NNet-Survival dengan AdamW mencapai C-index tertinggi (0,6639), diikuti RAdam (0,6302), sementara Cox-PH terintegrasi PCA-LSTM tetap kompetitif (0,5687), menunjukkan bahwa model statistik parametrik sederhana masih dapat bersaing dengan arsitektur deep learning pada ukuran sampel klinis yang terbatas. Evaluasi IBS mengungkap pola berkebalikan dari C-index (korelasi Spearman=-0,515): DeepHit, meski C-index-nya rendah, justru menghasilkan kalibrasi probabilitas terbaik, menegaskan bahwa diskriminasi dan kalibrasi merupakan dua dimensi kinerja model yang independen dan perlu dievaluasi secara bersamaan. Analisis feature importance lebih lanjut mengonfirmasi bahwa representasi temporal hasil ekstraksi LSTM merupakan prediktor paling dominan terhadap risiko kematian pasien ICU, jauh melampaui seluruh fitur klinis individual, termasuk HCO3 dan pH sebagai dua parameter keseimbangan asam-basa dengan kepentingan tertinggi berikutnya, sejalan dengan dominasi kasus gangguan sistem respirasi pada populasi penelitian ini. Temuan ini menegaskan bahwa pemilihan model survival machine learning terbaik bergantung pada tujuan aplikasi klinis, yaitu stratifikasi risiko atau estimasi probabilitas, serta pentingnya evaluasi multi-metrik dan praktik metodologis yang ketat, seperti nested cross-validation dan regularisasi model, dalam pengembangan model prediksi survival berbasis deep learning pada data klinis dengan ukuran sampel terbatas. Secara metodologis, kajian simulasi terkontrol pada penelitian ini terbukti bermanfaat sebagai tahap validasi awal sebelum penerapan pada data empiris yang lebih kompleks dan mahal untuk diperoleh, memungkinkan identifikasi dini terhadap kombinasi model dan optimizer yang secara sistematis berperforma rendah. Secara praktis, hasil penelitian ini diharapkan dapat menjadi referensi dalam pemilihan model dan algoritma optimasi yang tepat untuk memprediksi waktu bertahan hidup pasien ICU berdasarkan data klinis longitudinal, sekaligus mendukung pentingnya pencatatan dan pemanfaatan data longitudinal secara sistematis dalam sistem rekam medis elektronik.

Kata kunci: cox Proportional hazard, LSTM, Pasien ICU, Survival Machine Learning.