Arsitektur Sistem
Mengubah "Black-Box" Menjadi Transparansi Keputusan
Axara mendorong pergeseran paradigma kecerdasan buatan medis[cite: 1]. Memadukan keunggulan komputasi Deep Neural Network (DNN) dengan ketajaman analisis SHapley Additive exPlanations (SHAP) untuk membedah hierarki variabel pemicu FGR secara transparan dan aman digunakan[cite: 1].
Alur Sistem Terpadu
Pipeline Pemrosesan Data End-to-End
Dari data mentah hingga keputusan klinis, arsitektur Axara dirancang secara modular dan transparan. Pendekatan berlapis ini menjamin akurasi tinggi sekaligus mempertahankan keandalan medis.Input Data Klinis
Tahap awal difokuskan pada pengumpulan dataset dari repositori Kaggle yang mencakup 101.400 catatan medis klinis maternal. Data mentah ini kemudian dibersihkan dari missing values dan outliers, dilanjutkan dengan seleksi atribut klinis yang paling relevan terhadap risiko FGR[cite: 1].
Akuisisi & Pra-pemrosesan Data
Membangun Fondasi dari Data Klinis yang Valid
Kecerdasan buatan hanya sebaik data yang melatihnya. Axara menggunakan data sekunder riwayat klinis maternal dari repositori medis publik Kaggle yang telah teranonimisasi, memastikan privasi pasien tetap terjaga sekaligus menyediakan volume data yang masif untuk pembelajaran arsitektur Deep Learning.Sumber DatasetRepositori Publik (Kaggle)
Kriteria InklusiMaternal (Kehamilan ≥ 36 mgg)
Total Catatan Medis101.400
Pembersihan Data
Membersihkan data mentah dari missing values dan mencadangkan/menghapus outliers agar tidak merusak pola pembelajaran AI.Kurasi & Seleksi Fitur
Menyeleksi atribut klinis relevan terhadap risiko FGR, seperti riwayat hipertensi, diabetes, anemia, serta gaya hidup.Pelabelan Kelas FGR
Mengklasifikasikan kondisi risiko FGR berdasarkan ambang batas parameter berat badan lahir dan usia kehamilan pasien.Encoding & Scaling
Melakukan encoding pada kategori, serta feature scaling pada data numerik untuk menstandardisasi rentang nilai.
Arsitektur Pemrosesan
Deep Neural Network (DNN)
Infrastruktur jaringan saraf tiruan mendalam yang dirancang secara khusus untuk memetakan dan mengenali pola kompleks dari 18 atribut riwayat klinis ibu hamil. Menggantikan paradigma komputasi tradisional dengan kapabilitas pengenalan pola yang superior.Arsitektur ini beroperasi dengan memproses input melalui serangkaian lapisan tersembunyi (hidden layers). Setiap node melakukan komputasi matematis untuk mengekstraksi representasi data tingkat tinggi, hingga lapisan output menghasilkan probabilitas yang presisi terkait tingkat risiko Fetal Growth Restriction (FGR).Dioptimasi menggunakan Adam Optimizer untuk konvergensi bobot model yang cepat, efisien, dan stabil.
Menerapkan fungsi aktivasi ReLU guna menangani masalah interaksi non-linearitas pada data klinis yang sangat bervariasi.
Transparansi Algoritma
SHapley Additive exPlanations
Modul Explainable AI (XAI) yang membedah hasil probabilitas sistem prediktif DNN. Pendekatan ini mengkalkulasi persentase kontribusi dari masing-masing variabel klinis secara akurat, mengubah model "Kotak Hitam" menjadi model yang terbuka transparan.Dokter mengerti 'mengapa' model membuat prediksi tersebut, bukan hanya menerima 'apa' prediksinya. Ini krusial dalam domain medis di mana setiap keputusan berkaitan dengan nyawa.ϕi(f, x) = Σ [ |z'|! (M - |z'| - 1)! / M! ] [ fx(z') - fx(z' \ i) ]
Teori Permainan Kooperatif (Shapley Value)
Sintesis Narasi Gemini
Second Opinion Virtual Berbasis Generative AI
Sistem Axara ini makin mutakhir dengan integrasi Large Language Model (LLM) Gemini yang menerjemahkan angka analitik menjadi narasi medis berbahasa Indonesia[cite: 1]. Pendekatan ini menjembatani kesenjangan antara metrik matematika yang kompleks dengan pemahaman klinis praktis di lapangan.Rekomendasi KlinisMenjadikannya second opinion spesialis virtual bagi tenaga kesehatan di pelosok[cite: 1].
Otomatisasi LaporanDitransformasikan oleh API Gemini LLM menjadi laporan naratif medis otomatis. LLM tersebut menyusun penjelasan deskriptif dan saran klinis bagi praktisi kesehatan berdasarkan kontribusi variabel klinis yang ditemukan oleh model[cite: 1].
Input: SHAP Values (Analitik)
{
"hipertensi_kronis": 0.45,
"kadar_hemoglobin": 0.28,
"usia_ibu": 0.12
}
"hipertensi_kronis": 0.45,
"kadar_hemoglobin": 0.28,
"usia_ibu": 0.12
}
Output: Gemini LLM (Narasi Medis)
Berdasarkan hasil analisis, pasien memiliki risiko tinggi FGR. Faktor utama yang paling berkontribusi adalah riwayat hipertensi kronis dan tingkat hemoglobin (anemia). Disarankan untuk melakukan observasi tekanan darah intensif dan penyesuaian asupan zat besi sesuai protokol kehamilan risiko tinggi.
Validasi & Pengujian
Evaluasi Metrik Performa Sistem
Model dievaluasi menggunakan lima teknik evaluasi model matematis dan statistik untuk menjamin standar keandalan alat skrining medis. Sistem kami diukur tidak hanya dari akurasi mentah, tetapi juga kemampuannya menangani kompleksitas data di dunia nyata.Precision & Recall (Sensitivity)
Metrik fundamental untuk memastikan sistem meminimalkan false negative. Recall tinggi sangat krusial dalam dunia medis agar tidak ada pasien berisiko FGR yang terlewat dari deteksi dini.Recall = TP / (TP + FN)
F1-Score
Harmonically balances Precision dan Recall. Model dikatakan baik apabila nilai F1-Score mendekati 1, menunjukkan keseimbangan optimal dalam mengklasifikasikan kelas risiko.F1 = 2 × (P × R) / (P + R)
AUC-ROC
Mengukur kemampuan model membedakan antara pasien berisiko FGR dan yang sehat pada berbagai threshold. Model yang sempurna memiliki AUC-ROC bernilai 1.Area Under Receiver Operating Characteristic
AUPRC
Area Under Precision-Recall Curve. Metrik ini sangat esensial dan tinggi reliabilitasnya terutama untuk mengevaluasi dataset riwayat klinis yang memiliki kondisi data tidak seimbang (imbalanced).∫ Precision d(Recall)
SHAP Values Validation
Mengukur dan memvalidasi kontribusi tiap fitur klinis terhadap prediksi model secara individual, memastikan bahwa bobot yang diberikan AI sejalan dengan standar patologi medis.Mengukur kontribusi marjinal fitur
Lihat bagaimana Axara beraksi?
Eksplorasi dokumentasi teknis atau temukan bagaimana solusi ini dapat diimplementasikan untuk meningkatkan pengambilan keputusan klinis.
Mulai Analisis Data