FK-KMK UGM. Dosen Fakultas Kedokteran, Kesehatan Masyarakat, dan Keperawatan (FK-KMK) UGM bersama tim peneliti memublikasikan artikel ilmiah dengan judul “In-hospital Mortality Predictors of Stroke Patients with Diabetes Mellitus” pada Journal of Neurosciences in Rural Practice, Volume 17, Issue 1, halaman 64–72. Artikel yang diterbitkan pada 12 Maret 2026 dengan DOI: 10.25259/JNRP_85_2025 ini ditulis oleh Mawaddah Ar Rochmah, Dhite Bayu Nugroho, Abdul Gofir, Muhammad Robikhul Ikhsan, Faishal Hanif, Atitya Fithri Khairani, Lukman Ade Chandra, dan Ismail Setyopranoto dari Clinical Epidemiology and Biostatistics Unit (CE&BU) FK-KMK UGM bersama mitra dari RSUD Prof. Dr. Margono Soekarjo. Penelitian ini bertujuan mengembangkan sistem prediksi mortalitas selama perawatan rumah sakit pada pasien stroke akut dengan diabetes melitus tipe 2 menggunakan pendekatan machine learning guna mendukung pengambilan keputusan klinis yang lebih tepat dan berbasis data.
Stroke hingga kini masih menjadi salah satu penyebab utama kematian dan disabilitas di dunia. Kondisi tersebut menjadi semakin kompleks ketika disertai diabetes melitus tipe 2 yang diketahui dapat meningkatkan risiko komplikasi serta memperburuk luaran klinis pasien. Berangkat dari tantangan tersebut, tim peneliti FK-KMK UGM mengembangkan model prognostik yang mampu memperkirakan risiko kematian pasien selama menjalani perawatan di rumah sakit.
Penelitian ini memanfaatkan data claims-based diabetes registry RSUP Dr. Sardjito Yogyakarta selama periode Januari 2016 hingga Desember 2020. Dari total 18.652 pasien yang tercatat dalam registri, sebanyak 749 pasien memenuhi kriteria analisis. Dari jumlah tersebut, 557 pasien berhasil pulang dalam kondisi hidup, sedangkan 192 pasien meninggal selama masa perawatan.
Dalam proses pengembangan model, tim peneliti membandingkan empat algoritma machine learning, yaitu Random Forest, Logistic Regression, XGBoost, dan K-Nearest Neighbors (KNN). Hasil analisis menunjukkan bahwa model Random Forest memiliki performa terbaik dengan nilai Area Under the Receiver Operating Characteristic Curve (AUC-ROC) sebesar 0,884, yang menunjukkan kemampuan diskriminasi yang sangat baik dalam membedakan pasien berisiko tinggi dan rendah.
Penelitian ini juga berhasil mengidentifikasi enam faktor utama yang berkontribusi terhadap risiko kematian pasien, yaitu lama rawat inap, kejadian sepsis, pneumonia, usia, dislipidemia, dan hemiplegia. Faktor-faktor tersebut kemudian diintegrasikan ke dalam sebuah sistem prediksi yang dapat digunakan secara praktis oleh tenaga kesehatan.
Sebagai luaran inovatif, tim peneliti mengembangkan aplikasi berbasis web menggunakan platform R Shiny yang dapat diakses melalui laman ugm.id/dmstroke. Melalui aplikasi tersebut, pengguna dapat memasukkan variabel klinis pasien untuk memperoleh estimasi probabilitas kematian selama perawatan. Sistem ini juga dilengkapi visualisasi berbasis metode SHAP (SHapley Additive Explanations) yang memungkinkan tenaga kesehatan memahami kontribusi masing-masing variabel terhadap hasil prediksi.
Validasi menggunakan data pasien stroke tahun 2024 menunjukkan bahwa model yang dikembangkan tetap memiliki kemampuan yang baik dalam membedakan kelompok pasien yang bertahan hidup dan yang meninggal selama perawatan. Pada kelompok pasien yang bertahan hidup, median skor probabilitas mortalitas tercatat sebesar 0,01, sedangkan pada kelompok yang meninggal mencapai 0,63. Perbedaan tersebut menunjukkan bahwa sistem prediksi memiliki potensi sebagai alat bantu klinis yang efektif.
Temuan ini memperlihatkan bagaimana data rutin rumah sakit dapat dimanfaatkan menjadi inovasi berbasis kecerdasan buatan yang mendukung praktik kedokteran presisi. Selain membantu dokter dalam menentukan prioritas penanganan pasien, sistem ini juga berpotensi mendukung komunikasi dengan pasien dan keluarga serta membantu perencanaan alokasi sumber daya layanan kesehatan secara lebih efisien.
Penelitian ini turut mendukung SDG 3 Kehidupan Sehat dan Sejahtera melalui pengembangan sistem yang membantu peningkatan kualitas pelayanan pasien stroke dan diabetes melitus serta mendukung upaya penurunan angka kematian akibat penyakit tidak menular. Selain itu, penelitian ini sejalan dengan SDG 9 Industri, Inovasi, dan Infrastruktur karena menghadirkan inovasi digital berbasis machine learning dan aplikasi web untuk mendukung pengambilan keputusan klinis. Kolaborasi antara CE&BU FK-KMK UGM, berbagai departemen di lingkungan FK-KMK UGM, serta jejaring rumah sakit juga mencerminkan implementasi SDG 17 Kemitraan untuk Mencapai Tujuan melalui penguatan kolaborasi riset, pertukaran pengetahuan, dan pemanfaatan teknologi untuk meningkatkan kualitas layanan kesehatan yang berkelanjutan. (Kontributor: Grace Sandy Br Barus).
