Komunitas Soft Computing Indonesia

Colloquium disajikan oleh Anto Satriyo Nugroho, PTIK-BPPT & Chukyo University, Japan
Resume

Di journal Science tahun 1989, Chiron Co. melaporkan penemuan virus yang deretgenome-nya berlainan dengan virus hepatitis A dan hepatitis B. Virus itu kemudian disebut Hepatitis C. Hepatitis C dewasa ini merupakan satu penyakit penting di dunia, yang menyerang sekitar 170 juta orang (tahun 2005). Adapun di Jepang, pada tiap 100 orang diperkirakan penderita Hepatitis C kronis berkisar antara 1 sampai 2 orang. Tingginya rasio ini menyebabkan Hepatitis C sering disebut "kokuminbyou" (penyakit rakyat) di abad 21. Hepatitis C kronis disebabkan oleh terkontaminasinya peredaran darah dengan virus,sehingga terjadi inflamasi pada lever selama lebih dari 6 bulan. Akibatnya terjadi kerusakan sel, yang menyebabkan fungsi lever menjadi tidak normal. Dari data statistik, diperkirakan jika tidak dilakukan terapi terhadap penderita hepatitis C, dari 200 orang pasien hanya 1 orang saja yang mungkin bisa sembuh (0.5%). Salah satu metode pengobatan hepatitis C adalah memakai Interferon (IFN). Interferonberfungsi untuk menghambat pertumbuhan virus hepatitis C. Diperkirakan pemakaian interferon dapat meningkatkan angka kesembuhan hingga 30%. Tetapi, di sisi lain,pemakaian interferon ini diikuti oleh efek samping yang memberatkan pasien. Efek samping tsb. antara lain : Flu-like syndrome, menurunnya sel darah putih (leucocyte),rambut rontok (IFN-alpha), albuminuria (IFN-beta), dsb.

Berhasil tidaknya terapi interferon ini baru diketahui 6 bulan kemudian, dengan caramelakukan pemeriksaan HCV-RNA pasien. Bila hasilnya negatif, berarti terapi itu efektif. Tapi bila ternyata kadar HCV-RNA pasien tidak turun, berarti interferon itu tidak efektif.

Mengingat beratnya resiko efek samping yang ditimbulkan, sebaiknya terapi interferon ini tidak dilakukan kepada pasien yang hasil terapinya diperkirakan tidak berhasil. Kepada mereka lebih baik diberikan terapi selain interferon, yang memiliki potensi keberhasilan lebih tinggi. Hal ini menunjukkan perlunya suatu sistem cerdas yang mampumemperkirakan efektif tidaknya interferon, sebelum terapi dijalankan.

Paper ini membahas prediksi efektifitas terapi interferon pada pasien memakai Support Vector Machine (SVM). Tujuan dari sistem ini adalah membantu tugas dokter untuk memilih terapi yang tepat bagi pasien. Jika ternyata hasil prediksi menunjukkan interferon tidakefektif, dokter dapat memberikan terapi lain yang mungkin lebih sesuai bagi pasien.

Informasi yang diolah oleh SVM berasal dari hasil diagnosa darah pasien dan faktor lain,yaitu : Hepatobiopsy, HCV-RNA, HCV gene-type dsb. (lihat Tab.I). Total sebanyak 30 faktor yang diamati. Tentunya tidak semua informasi ini bermanfaat bagi prediksi.Untuk itu pada tahap preprocessing, dilakukan pemilihan feature (Feature Subset Selection disingkat FSS), berdasarkan Fisher Criterion Score. Data yang diolah berasal dari pasien yang berobat ke Nagoya University Hospital, dari tahun 1997-2004. Dari sekitar 300 sampel, akhirnya diperoleh 112 sampel data yang cukup layak untuk dianalisa. Mengingat keterbatasan data yang ada, estimasi performa SVM dilakukan dengan leave-one-out cross validation. Score terbaik yang diperoleh oleh SVM adalah 84%, sedangkan k-Nearest Neighbour Classifier81%, dimana dimensi data direduksi hingga 5. Kalau ke-30 feature dipakai seluruhnya, score SVM 78% sedangkan k-Nearest Neighbour Classifier 71%. Hal ini menunjukkan bahwapemakaian FSS pada k-Nearest Neighbour memberikan recognition rate peningkatan sebesar 10%, sedangkan SVM sebesar 6%. Hal ini menunjukkan bahwa SVM relatif lebih robust terhadapkeberadaan feature yang tidak relevan (noise) dibandingkan k-Nearest Neighbour. Lima buah feature yang terpilih untuk tiap fold (pada eksperimen ini karena memakai leave-one out CV, berarti ada 112 fold) diperiksa, dan diurutkan berdasarkan ranking mereka. Hasil analisa menunjukkan bahwa HCV-RNA, Hepatobiopsy, dan HCV-gene type menempati posisi teratas. Hal ini sesuai dengan pendapat dari praktisi medis, bahwa ketiga faktor ini telah diketahui memiliki kaitan erat dengan Hepatitis C. Pemakaian ribavirin sebenarnya diharapkan terpilih sebagai feature yang penting, tetapi ternyata hanya menempati urutan ke 17. Hal ini dikarenakan pada data eksperimen yang terbatas ini, ribavirin tidak memberikan kontribusi yang signifikanuntuk diskriminasi kedua buah kelas. Dengan memakai database yang lebih besar, diharapkan faktor-faktor penting yang dapat dipakai untuk memprediksi efektifitas terapi inteferon dapat diidentifikasikan lebih baik.

Referensi :
A.S. Nugroho, J. Yang, S. Kuroyanagi, A. Iwata and K. Yamauchi: Prediction of interferon efficacy in chronic Hepatitis C treatment using Support Vector Machine, Trans. of the Japanese Society for Medical and Biological Engineering, Vol.11, Suppl.1, pp.594, 2006 (The 45th Annual Conference of Japanese Society for Medical and Biological Engineering, May 2006)