Penerapan Machine Learning dalam Prediksi Metastasis Tulang Pada Karsinoma Payudara: Studi di RS Kanker Dharmais

Abstract

Pembelajaran mesin (Machine learning/ML) sebagai bagian dari kecerdasan buatan, memungkinkan komputer belajar dari data tanpa pemrograman eksplisit dan telah berkembang sejak pertengahan abad ke-20 melalui berbagai algoritma seperti support vector machines dan random forest yang kini banyak digunakan dalam bidang medis, termasuk prediksi metastasis kanker payudara. ML terbagi menjadi dua pendekatan utama, yaitu supervised dan unsupervised learning, dengan supervised learning seperti regresi logistik, random forest, dan SVM banyak digunakan dalam penelitian klinis karena kemampuannya dalam klasifikasi dan interpretasi hasil. Salah satu penelitian klinis adalah pada penelitian kanker dimana salah satu karakternya adalah kemampuannya bermetastasis sehingga perlu adanya suatu studi yang bertujuan mengevaluasi kinerja model Logistic Regression, Random Forest, dan Support Vector Machine dalam memprediksi metastasis tulang, menentukan model terbaik di antara ketiganya, serta mengidentifikasi peubah paling signifikan yang memengaruhi prediksi, guna mendukung praktik klinis yang lebih akurat dan personal di bidang onkologi Dalam penelitian ini, variabel prediktor untuk memodelkan risiko metastasis tulang pada pasien kanker payudara dikelompokkan menjadi tiga kategori utama: subtipe molekuler (ER, PR, HER2, Ki-67), karakteristik biologis tumor (morfologi, grade, invasi limfovaskular), dan faktor sosial (usia). Analisis bivariat menggunakan uji Chi-square menunjukkan bahwa hanya ekspresi ER dan PR yang memiliki hubungan signifikan dengan metastasis tulang (p < 0,001), sementara variabel lainnya tidak menunjukkan hubungan statistik yang signifikan, namun tetap dipertimbangkan dalam model prediksi karena potensi interaksi antar peubah dan relevansi klinis. Untuk membangun model prediksi yang lebih komprehensif, digunakan tiga algoritma ML: Logistic Regression, Random Forest, dan Support Vector Machine (SVM), dengan evaluasi dilakukan melalui 20 iterasi dan menggunakan berbagai metrik (akurasi, sensitivitas, spesifisitas, precision, F1 score). Hasil evaluasi menunjukkan bahwa meskipun Random Forest unggul dalam single run, performanya menurun drastis saat diuji berulang, menandakan ketidakstabilan model. Sebaliknya, Logistic Regression tampil paling stabil dengan akurasi 66%, sensitivitas 60%, dan F1-score 68%, menjadikannya model terbaik secara keseluruhan. Analisis SHAP pada model ini menunjukkan bahwa ekspresi ER dan Ki-67 adalah prediktor terkuat, diikuti oleh morfologi, usia, dan HER2, sementara PR dan invasi limfovaskular memiliki kontribusi rendah. Konsistensi nilai SHAP antara data latih dan uji juga menunjukkan model memiliki generalisasi yang baik. Pendekatan ini menunjukkan bahwa integrasi data biologis dan sosial, didukung oleh teknik interpretabilitas seperti SHAP, mampu menghasilkan model prediktif yang akurat dan relevan secara klinis untuk deteksi dini metastasis tulang pada kanker payudara.