Disertasi

Post Intensive Care Syndrome: Pengembangan Alat Ukur Diagnosis Dan Prediksi Berbasi Pembelajaran Mesin Pada Penyintas Perawatan Intensif = Post-Intensive Care Syndrome:The Development of Diagnostic Tools and Machine Learning–Based Prediction Models in Intensive Care Unit Survivors.

Sebagian besar penyintas ICU mengalami gangguan fisik, kognitif, dan mental yang dikenal sebagai Post-Intensive Care Syndrome (PICS). Dampak PICS terhadap disabilitas dan kualitas hidup sangat besar, sementara alat diagnosis dan model prediksi PICS belum ada di Indonesia. Penelitian ini bertujuan mengembangkan alat ukur diagnosis dan prediksi PICS berbasis pembelajaran mesin pada penyintas ICU. Penelitian ini terdiri atas dua tahap. Tahap pertama yaitu uji validitas dan kehandalan kuesioner PICS versi Bahasa Indonesia sesuai pedoman ISPOR, dilanjutkan confirmatory factor analysis (CFA), dan uji kehandalan menggunakan Cronbach’s α pada Maret hingga Juli 2024 di RS dr. Cipto Mangunkusumo (RSCM). Tahap kedua pengembangan model prediksi menggunakan metode kohort prospektif pada Juli 2024 hingga Juli 2025 di RSCM, RS Persahabatan, dan RS Universitas Indonesia. Tiga model prediksi dikembangkan berdasarkan faktor risiko sebelum, selama, dan setelah dirawat di ICU menggunakan analisis regresi Poisson dan pembelajaran mesin ( algoritma Decision Tree (DT), regresi logistik, Random Forest (RF), Support Vector Machine, dan Extreme Gradient Boosting (XGBoost)). Model terbaik ditentukan berdasarkan area under the curve (AUC) tertinggi. Sebanyak 184 subjek terlibat dalam validasi kuesioner PICS versi Bahasa Indonesia dengan hasil valid (factor loading >0,4) dan handal (Cronbach’s α >0,7; ICC 0.4) and reliability (Cronbach’s α > 0.7; ICC < 0.001). A total of 435 subjects were included in the development of the prediction models. The highest AUC was obtained using the XGBoost algorithm for the pre-ICU prediction model (0.750), the RF algorithm for the during-ICU prediction model (0.851), and the DT algorithm for the post-ICU prediction model (0.8109).The Indonesian version of the PICS questionnaire was proven to be valid and reliable for diagnosing PICS. The XGBoost algorithm showed the best accuracy for predicting PICS before ICU admission, the RF algorithm for predicting PICS during ICU stay, and the DT algorithm for predicting PICS after ICU discharge. These three models have the potential to support clinical decision-making, rehabilitation planning, and disability prevention among ICU survivors.
Keywords: ICU survivors, machine learning ,Post-Intensive Care Syndrome, prediction model, rehabilitation