📚 Eksplorasi & Komparasi Topik Dokumen

PENGEMBANGAN MODEL MACHINE LEARNING UNTUK MEMPREDIKSI OUTCOME PADA PASIEN TUBERKULOSIS PARU BERDASARKAN DATA FDA ADVERSE EVENT REPORTING SYSTEM (FAERS)

Tuberkulosis paru merupakan penyakit infeksi kronik menular yang masih menjadi tantangan kesehatan masyarakat secara global. Berdasarkan pedoman tata laksana TB nasional, pasien diwajibkan menjalani terapi menggunakan Obat Anti Tuberkulosis (OAT) lini pertama, namun berpotensi memicu reaksi obat yang tidak dikehendaki (ROTD) yang dapat mempengaruhi outcome pasien. Penelitian ini bertujuan untuk mengidentifikasi karakteristik dan pola kejadian ROTD serius pada pasien TB paru, serta mengevaluasi performa beberapa algoritma machine learning dalam memprediksi outcome pasien TB paru berdasarkan database FDA Adverse Event Reporting System (FAERS) periode 2023-2025. Data diunduh melalui situs resmi FDA dalam format ASCII, yang selanjutnya diolah menggunakan platform KNIME (Konstanz Information Miner) melalui serangkaian tahapan meliputi proses pra-pengolahan data, exploratory data analysis (EDA), pembersihan data, dan rekayasa fitur. Pemodelan dilakukan melalui tujuh algoritma supervised learning yang mencakup Naïve Bayes, Logistic Regression, Decision Tree, Tree Ensemble, Random Forest, Gradient Boosted Trees, dan XGBoost Tree Ensemble dengan empat tipe model prediktif (outcome multikelas, HO vs non-HO, LT vs non-LT, DE vs non-DE), yang dievaluasi menggunakan metrik F-measure dan Area Under the Receiver Operating Characteristic Curve (AUROC). Hasil penelitian menunjukkan bahwa Gradient Boosted Trees merupakan algoritma dengan performa terbaik pada model prediktif outcome multikelas (F-measure: 0,320 dan AUROC: 0,903) dan outcome HO (F-measure: 0,361 dan AUROC: 0,808). XGBoost Tree Ensemble menjadi algoritma terbaik pada model prediktif outcome LT dengan F-measure: 0,183 dan AUROC: 0,910, sedangkan Decision Tree sebagai algoritma terbaik pada model prediktif outcome DE dengan F-measure: 0,219 dan AUROC: 0,956. Penelitian ini diharapkan dapat berkontribusi dalam pengembangan sistem pemantauan keamanan obat berbasis machine learning untuk mendukung praktik farmakovigilans pada pasien tuberkulosis paru.