Tesis

Kesesuaian Penilaian Ground Glass Opacity dan Konsolidasi Pada Radiografi Toraks Antara Dokter Radiologi Tanpa dan Dengan Bantuan Sistem Artificial Intelligence Pada Pasien Tersangka COVID-19 = Concordance of Ground Glass Opacity and Consolidation Interpretation in Chest Radiograph Between Radiologist With and Without Artificial Intelligence System in Suspected COVID-19 Patients.

Latar Belakang: COVID-19 merupakan penyakit yang disebabkan oleh infeksi virus severe acute respiratory syndrome coronavirus 2 (SARS-Cov-2) yang menjadi sebuah pandemi global dalam waktu singkat. Karena tingkat penularan yang tinggi, deteksi dini menjadi sangat penting untuk menekan penyebaran. Radiologi memegang peranan penting untuk deteksi dini COVID-19 menggunakan modalitas radiografi toraks dan computed tomography (CT) toraks. CT memiliki sensitivitas yang lebih tinggi tetapi dengan jumlah kasus yang banyak akan memberikan beban besar untuk departemen radiologi. Karena itu radiografi toraks dapat digunakan sebagai modalitas untuk identifikasi COVID-19 dengan melihat gambaran ground glass opacity (GGO) dan konsolidasi. Melakukan interpretasi radiografi toraks dengan benar masih menjadi tantangan dimana akurasi tertinggi dipegang oleh dokter spesialis radiologi divisi toraks. Sistem artificial intelligence (AI) merupakan sistem komputer yang dikembangkan untuk membantu dokter menginterpretasi pencitraan medis. LUNIT INSIGHT CXR merupakan salah satu sistem AI yang dikembangkan untuk meningkatkan efisiensi dan akurasi pembacaan radiografi toraks. Hingga saat ini berlum ada sistem AI lain di RSUPN Cipto Mangunkusumo yang dapat menginterpretasi radiografi toraks. Penelitian ini bertujuan untuk mengevaluasi manfaat sistem AI LUNIT INSIGHT CXR dalam membantu dokter radiologi mendeteksi GGO dan konsolidasi yang merupakan gambaran radiografi toraks paling sering pada pasien COVID-19. Metode: Penelitian ini merupakan penelitian retrospektif menggunakan gambaran radiografi toraks pasien tersangka COVID-19. Radiografi toraks diinterpretasi oleh dokter radiologi umum tanpa dan dengan bantuan sistem AI dibandingkan dengan interpretasi dokter radiologi divisi toraks menggunakan variabel ada atau tidaknya lesi, interpretasi GGO, interpretasi konsolidasi serta interpretasi berdasarkan lokasi lapangan paru yang terlibat. Hasil: Subyek laki-laki sedikit lebih banyak dari subyek perempuan (57 dan 40) dengan rerata usia 41,1 tahun. Kelainan paling banyak ditemukan adalah GGO dengan lokasi di lapangan bawah kedua paru baik oleh dokter radiologi umum dan dokter radiologi divisi toraks. Ditemukan konkordans penilaian GGO yang rendah (< 0,8) sedangkan penilaian konsolidasi ditemukan konkorans baik (> 0,8). Berdasarkan lokasi ditemukan konkordans terendah di lapangan tengah paru kanan (0,773) pada kelompok dengan bantuan sistem AI. Konkordans pada lokasi lain ditemukan baik ( > 0,8). Tidak ditemukan perbedaan signifikan pada konkordans antara tanpa dan dengan bantuan sistem AI. Simpulan: Dalam studi ini tidak ditemukan perbedaan kesesuaian penilaian GGO maupun konsolidasi pada radiografi toraks antara dokter radiologi tanpa dan dengan bantuan sistem AI LUNIT INSIGHT CXR. Akurasi penilaian GGO masih lebih rendah dibandingkan penilaian konsolidasi dengan kesesuaian kurang.
Kata kunci: COVID-19, radiografi toraks, GGO, konsolidasi, artificial intelligence


Background: COVID-19 is a disease caused by severe acute respiratory syndrome coronavirus 2 (SARSCov-2) virus infection and quickly became a global pandemic. With high transmission rate, early detection is very important to reduce disease spread. Radiology holds an important role in COVID-19 early detection using chest radiograph and computed tomography (CT). CT has high sensitivity but with very high number of cases, it will give massive burden to radiology department. Because of that, chest radiograph can be used to identify COVID-19 by evaluating ground glass opacity (GGO) and consolidation. Correctly interpreting chest radiograph is still a challenge where chest division radiologists holds the highest accuracy. Artificial intelligence system (AI) is a computer system developed to help interpret medical imaging. LUNIT INSIGHT CXR is one of such system to increase efficiency and accuracy in interpreting chest radiograph. Until now there are no other AI system in Cipto Mangunkusumo National General Hospital that can interpret chest radiograph. This study aims to evaluate the benefit of LUNIT INSIGHT CXR AI system to help radiologists detect GGO and consolidation, the most common findings in COVID19 patients. Method: This study is a retrospective study using chest radiograph image of suspected COVID-19 patients. Chest radiograph will be interpreted by general radiologist with and without AI system’s aid, compared with interpretation by chest division radiologist using presence of lesion, GGO interpretation, consolidation interpretation and location of the lesion as variables. Result: There are slightly more male subjects than female (57 and 40) with 41,1 years old mean age. Most common findings are GGO with lower lung as the most common location by all interpreter. Concordance of GGO interpretation is low ( < 0,8) whereas concordance of consolidation interpretation is good ( > 0,8). Based on location, the lowest concordance is on the mid right lung (0,773) in the group with AI system’s aid. Concordance in other locations are good ( > 0,8). There is no significant difference of concordance between with and without AI system groups. Conclusion: There are no difference in concordance of GGO and consolidation interpretation in chest radiograph between radiologists with and without LUNIT INSIGHT CXR system’s aid. The accuracy of GGO interpretation is still lower than consolidation interpretation shown with low concordance.
Keywords: COVID-19, chest radiograph, GGO, consolidation, artificial intelligence