Latar belakang: Kematian jantung mendadak secara teoritis dapat dicegah dengan implantasi defibrillator (ICD). Namun, banyak pasien meninggal tanpa ICD karena keterbatasan metode stratifikasi risiko saat ini. Fraksi ejeksi ventrikel kiri (LVEF) sebagai satu-satunya biomarker yang digunakan secara luas memiliki tingkat positif palsu dan negatif palsu yang tinggi.

Tujuan: Mengembangkan dan memvalidasi model pembelajaran mendalam (deep learning) berbasis elektrokardiogram (EKG) untuk mengidentifikasi kelompok risiko tinggi terhadap kematian jantung mendadak serta mengeksplorasi biomarker baru yang ditemukan oleh model tersebut.

Metode: Penelitian retrospektif ini menggunakan data populasi dari Swedia (Region Halland) mencakup 441.614 EKG yang ditautkan ke sertifikat kematian dan rekam medis elektronik. Model ResNet 64-layer dilatih pada 60% sampel untuk memprediksi kejadian SCD dalam waktu satu tahun pasca EKG, dan dievaluasi pada 40% data lockbox. Validasi eksternal dilakukan pada kohort Amerika Serikat (Sharp HealthCare, n=251.858 EKG) untuk memprediksi aritmia ventrikel (VF/VT) dan registri rumah sakit Taiwan (NTUH, n=4.268 pasien) untuk memprediksi henti jantung aritmik.

Hasil: Model berhasil mengisolasi kelompok berisiko tinggi (2,2% dari sampel) dengan tingkat SCD tahunan sebesar 7,0%, lebih tinggi dibandingkan kelompok LVEF rendah (4,6%). Menariknya, sebesar 86,1% dari pasien risiko tinggi yang diidentifikasi oleh EKG tidak terdeteksi oleh LVEF rendah. Validasi eksternal menunjukkan performa zero-shot yang kuat dengan AUC 0,822 di AS dan AUC 0,767 di Taiwan. Melalui model generatif, ditemukan biomarker EKG baru berupa pelambatan (slurring) pada aspek terminal gelombang R di sadapan aVL yang berkorelasi kuat dengan fibrosis miokard difus pada pemeriksaan cMRI.

Kesimpulan: Model kecerdasan buatan berbasis EKG mampu mengidentifikasi populasi risiko tinggi kematian jantung mendadak baru yang selama ini terabaikan oleh stratifikasi klinis standar (LVEF), sekaligus menemukan biomarker morfologi EKG baru yang berkaitan dengan mekanisme fibrosis miokard.

Ulasan Alomedika

Stratifikasi risiko untuk pencegahan kematian jantung mendadak selama berdekade hanya bertumpu pada pemeriksaan fraksi ejeksi ventrikel kiri (LVEF). Namun, LVEF terbukti tidak sensitif karena sebagian besar korban SCD memiliki nilai LVEF yang normal atau tidak pernah diperiksa sebelumnya. Penelitian ini menawarkan paradigma baru dengan memanfaatkan kecerdasan buatan untuk mengekstrak informasi laten dari EKG 12-sadapan standar guna memprediksi SCD secara akurat dan efisien sebelum kejadian fatal terjadi.

Ulasan Metode Penelitian

Penelitian ini memiliki metodologi yang sangat kuat dengan menerapkan pemisahan data (data splitting) yang ketat untuk mencegah overfitting. Penggunaan data lockbox sebesar 40% dari total populasi regional di Swedia yang baru dibuka setelah persetujuan provisional dari jurnal memastikan validitas internal yang luar biasa tinggi. Pelatihan model multi-task learning menggunakan arsitektur ResNet 64-layer memberikan kapasitas yang memadai untuk menangkap fitur resolusi tinggi dari gelombang EKG. Selain itu, kekuatan metodologis studi ini diperkokoh oleh validasi eksternal berskala besar lintas benua (Amerika Serikat dan Asia/Taiwan) menggunakan sistem penyimpanan EKG yang berbeda (GE MUSE vs Philips XML), membuktikan generalisasi model yang tinggi dalam skenario zero-shot tanpa fine-tuning lokal.

Ulasan Hasil Penelitian

Hasil penelitian menunjukkan performa diskriminasi yang sangat baik dengan nilai AUC mencapai 0,872 pada data lockbox Swedia. Model ini mampu mengidentifikasi kelompok risiko tinggi dengan angka kejadian SCD tahunan 7,0%, secara statistik lebih superior dibandingkan pasien dengan LVEF ≤35% (4,6%). Analisis regresi juga menunjukkan bahwa pasien risiko tinggi yang dipasangkan ICD memiliki penurunan mortalitas sebesar 54,4% dibandingkan yang diharapkan, mengindikasikan manfaat klinis yang nyata dari intervensi preventif. Dari segi sains fundamental, visualisasi menggunakan model generatif (variational autoencoder) berhasil mengisolasi komponen risiko dan menemukan karakteristik morfologi baru berupa "slurred terminal R wave" di sadapan aVL, yang secara independen menambah kekuatan prediktif setara dengan left axis deviation (LAFB).

Kelebihan Penelitian

Ukuran sampel yang sangat besar berbasis populasi riil dengan penautan data rekam medis dan sertifikat kematian yang komprehensif.

Metode validasi yang sangat rigid menggunakan skema lockbox data dan validasi eksternal multi-senter internasional di tiga benua yang berbeda.

Inovasi dalam interpretabilitas AI, di mana studi ini tidak hanya menggunakan peta saliensi melainkan menggabungkan model prediktif dengan model generatif untuk memvisualisasikan perubahan morfologi gelombang secara presisi.

Adanya konfirmasi mekanisme patofisiologi melalui blinded review hasil cardiac MRI (cMRI) yang mengaitkan biomarker EKG baru dengan fibrosis miokard difus.

Limitasi Penelitian

Definisi luaran utama pada data Swedia mengandalkan sertifikat kematian, yang memiliki potensi bias klasifikasi antara kematian aritmik dan non-aritmik, meskipun telah dimitigasi dengan analisis spesifisitas pada data Taiwan.

Kohort validasi eksternal memiliki karakteristik populasi yang berbeda; data AS memiliki asupan klinis dan dokumentasi VF/VT yang dipengaruhi insentif finansial, sementara data Taiwan merupakan sampel selektif dari instalasi gawat darurat (IGD).

Hasil cMRI hanya tersedia pada sebagian kecil subkelompok pasien, sehingga temuan mengenai korelasi fibrosis miokard masih bersifat awal dan membutuhkan studi histopatologi atau biopsi lebih lanjut untuk konfirmasi definitif.

Aplikasi Hasil Penelitian di Indonesia

Di Indonesia, akses terhadap pemeriksaan ekokardiografi untuk mengukur LVEF masih terbatas di fasilitas pelayanan kesehatan sekunder dan tersier di kota-kota besar. Sebaliknya, mesin EKG tersedia hampir di seluruh pusat kesehatan masyarakat (Puskesmas) dan klinik pratama. Penerapan algoritma deep learning ini dalam sistem rekam medis elektronik (RME) terintegrasi atau telemedisin berpotensi menjadi alat skrining massal yang sangat murah untuk mendeteksi pasien yang berisiko mengalami kematian jantung mendadak di tingkat layanan primer. 

Para dokter di Indonesia juga dapat mulai memperhatikan manifestasi "slurred terminal R wave" pada sadapan aVL sebagai tanda peringatan dini adanya fibrosis miokard tersembunyi, terutama pada pasien dengan keluhan sinkop berulang atau palpitasi meskipun fungsi sistolik ekokardiografinya dilaporkan normal.

Studi ini menunjukkan bagaimana AI dapat meningkatkan deteksi dini kondisi medis serius pada populasi yang lebih luas yang mungkin memiliki akses terbatas ke layanan kesehatan.