Journal Reading

“Predicting the severity of dengue fever in children on admission based on

clinical features and laboratory indicators: application of classification tree
analysis”

Pembimbing :
dr. Oki Fitriani, Sp.A, M.Sc

Disusun oleh :
ANNISA APRILIA ATHIRA
1102014029

Kepaniteraan Klinik Ilmu Kesehatan Anak

RS Umum dr. Dradjat Prawiranegara Serang
Periode Juli – September 2018
 KATA PENGANTAR

Assalamu’alaikum Wr.Wb.
Alhamdulillah, Puji dan syukur senantiasa saya panjatkan kehadirat Allah SWT yang telah
melimpahkan rahmat dan karunia-Nya, serta shalawat dan salam kepada Nabi Muhammad
SAW, dan para sahabat serta pengikutnya hingga akhir zaman. Karena atas rahmat dan ridha-
Nya, penulis dapat menyelesaikan Journal Reading yang berjudul ”Predicting the severity of
dengue fever in children on admission based on clinical features and laboratory indicators:
application of classification tree analysis” Penulisan journal reading ini dimaksudkan untuk
memenuhi tugas dalam menempuh kepanitraan klinik di bagian departemen ilmu kesehatan
anak di RSUD dr. Drajat Prawiranegara.
Penulis menyadari bahwa terselesaikannya penulisan Journal Reading ini tidak terlepas
dari bantuan dan dorongan banyak pihak. Maka dari itu, perkenankanlah penulis
menyampaikan rasa terima kasih yang sebesar-besarnya kepada semua pihak yang membantu,
terutama kepada dr. Oki Fitriani, Sp.A, M. Sc yang telah memberikan arahan serta bimbingan
ditengah kesibukan dan padatnya aktivitas beliau.
Penulis menyadari penulisan Journal Reading ini masih jauh dari sempurna mengingat
keterbatasan ilmu yang penulis miliki. Oleh karena itu penulis mengharapkan saran dan kritik
yang bersifat membangun demi perbaikan penulisan presentasi Journal ini. Akhir kata penulis
berharap penulisan presentasi jurnal ini dapat bermanfaat bagi semua pihak yang membacanya.
Wassalamu’alaikum Wr.Wb.

Serang, Agustus 2018

Penulis
 Memprediksi Tingkat Keparahan Demam Berdarah pada Anak
Berdasarkan Gambaran Klinis dan Indikator Laboratorium: Penerapan
Pohon Klasifikasi dan Regresi (CART)

Abstrak
Latar Belakang: Demam berdarah merupakan re-emerging disease yang sering muncul pada
daerah subtropis dan tropis. Gambaran klinis dan hasil tes laboratorium yang abnormal dari
infeksi dengue mirip dengan penyakit demam lainnya, untuk itu sulitnya menentukan diagnosis
yang akurat dan tepat waktu untuk memberikan perawatan yang tepat. Diagnosis dini dan tepat
dapat membantu meningkatkan manajemen kasus dan untuk mengoptimalkan penggunaan
Sumber Daya seperti staff rumah sakit, tempat tidur, dan perawatan intensif. Tujuan dari
penelitian ini adalah untuk mengembangkan model prediktif untuk mengkarakterisasi
keparahan demam berdarah berdasarkan indikator klinis dan laboratorium awal menggunakan
data mining dan alat statistik.
Metode: Kami mengambil data dari studi penyakit demam pada anak-anak di Rumah Sakit
Anak-anak Angkor, Kamboja. Dari 1225 episode demam yang tercatat, 198 pasien
dikonfirmasi mengalami demam berdarah. Sebuah pohon klasifikasi dan regresi (CART)
digunakan untuk membangun pohon keputusan prediktif untuk dengue berat, sedangkan
analisis regresi logistik digunakan untuk mengukur secara independen signifikansi setiap
parameter dalam pohon keputusan (CART).
Hasil: Algoritma pohon keputusan menggunakan hematokrit, Glasgow Coma Score, protein
urin, kreatinin, dan jumlah trombosit memprediksi dengue berat dengan sensitivitas,
spesifisitas, dan akurasi masing-masing 60,5%, 65% dan 64,1%.
Kesimpulan: Pohon keputusan yang kami jelaskan, menggunakan lima indikator klinis dan
laboratorium yang sederhana, dapat digunakan untuk memprediksi kasus demam berdarah
yang parah di antara pasien anak saat masuk. Algoritma ini berpotensi dapat berguna untuk
membimbing rencana pemantauan pasien dan manajemen rawat jalan demam di tempat yang
minim sumber daya.
Kata kunci: Pohon klasifikasi, Dengue, Keparahan, Kamboja, Data mining, Anak

Latar Belakang
Demam berdarah menyebabkan beban penyakit dan kematian yang tinggi di wilayah tropis dan
subtropis di Asia Tenggara, Afrika, Pasifik Barat, dan Amerika. Virus Dengue terdiri dari lima
serotipe, DENV-1, DENV-2, DENV-3, DENV-4 dan DENV-5, yang ditularkan oleh nyamuk
Aedes aegypti. Diperkirakan 2,5 miliar orang di seluruh dunia berisiko terkena DBD. Lebih
dari 50 juta infeksi dengue diperkirakan terjadi setiap tahun, dimana sekitar 500.000
menyebabkan masuk rumah sakit untuk demam berdarah berat dalam Bentuk Demam Berdarah
Dengue (DBD) atau Sindrom Demam Berdarah Dengue (DSS), terutama di kalangan anak-
anak. Infeksi Dengue sering dibaurkan dengan penyakit demam lainnya (OFI), dengan gejala
klinis yang tidak spesifik dan gambaran klinis yang serupa dengan OFI. Selama tahap awal
demam berdarah, kehadiran penyakit demam nonspesifik membuat diagnosis yang tepat sangat
sulit, sehingga pengobatan tidak efisien dan kemungkinan peningkatan morbiditas dan
mortalitas. Demam berdarah yang parah, jika tidak dikelola dengan tepat, dapat menyebabkan
kematian yang cepat, terutama pada anak-anak. Selain itu, kurangnya fasilitas laboratorium
yang diperlukan, khususnya di daerah pedesaan yang terpencil, dapat menyebabkan kesulitan
dalam membedakan infeksi dengue dari OFI. Dengue adalah salah satu penyakit vektor yang
paling sering ditemui di Asia Tenggara, dan salah satu penyakit virus nyamuk yang paling
penting dengan potensi epidemi di dunia.
Dalam penelitian ini, data dari kelompok anak-anak yang dirawat dengan penyakit demam ke
Rumah Sakit Anak-anak Angkor, Siem Reap, Kamboja, selama periode satu tahun dianalisis
secara retrospektif menggunakan pendekatan data mining. Pendekatan ini menggunakan
klasifikasi dan pohon regresi, atau CART, yang pertama kali diperkenalkan oleh Breiman et
al. Ini adalah alat yang umum digunakan dalam penggalian data, yang membuat model atau
algoritme yang memprediksi nilai variabel target berdasarkan beberapa variabel masukan.
Dalam penelitian ini, CART dibangun untuk memprediksi tingkat keparahan infeksi dengue
berdasarkan indikator klinis dan laboratorium awal. Model ini kemudian dievaluasi terhadap
diagnosis akhir.
Metode
Kami melakukan penelitian retrospektif data yang berasal dari penyelidikan penyakit demam
pada anak-anak ("studi demam") di Rumah Sakit Anak-anak Angkor, Kamboja (AHC).Untuk
penelitian demam, kriteria inklusi adalah usia <16 tahun, didokumentasikan suhu aksila ≥ 38.0
° C dalam 48 jam penerimaan, dan informed consent oleh orang tua atau pengasuh. Anak-anak
yang mengalami demam ≥ 48 jam setelah masuk atau mengikuti operasi dikeluarkan karena
mereka dapat dianggap telah memperoleh infeksi terkait perawatan kesehatan Manajemen
Terpadu Penyakit Anak (IMCI) digunakan untuk penilaian dan pengambilan keputusan apakah
akan menerima pasien ke rumah sakit. Data dikumpulkan saat diterima oleh dokter
menggunakan formulir laporan kasus tertentu. Sampel darah masuk dan, jika memungkinkan,
sampel serologi yang diambil pada saat pulang, atau tujuh hari setelah masuk, diambil untuk
Antibodi IgM dan pengujian antigen NS1. Semua pasien yang dirawat ditinjau dua kali sehari
untuk kelayakan dan kualitas pengumpulan data. Data dikumpulkan antara 12 Oktober 2009
dan 12 Oktober 2010 dari pasien yang dirawat di AHC.
Diagnosis Dengue didasarkan pada metode diagnostik laboratorium berikut: 1) Antigen DENV
NS1 ELISA (Diagnostik Standar, Korea) untuk mendeteksi antigen spesifik dengue dalam
sampel serum, 2) virus ensefalitis Jepang Panbio (JEV) dan dengue IgM Combo ELISA
(Diagnostik Standar) , Korea) digunakan untuk mendeteksi antibodi IgM anti JEV- dan
antiDENV-spesifik dalam sampel serum, dan 3) Dengue IgM capture ELISA (Venture
Technologies, Malaysia) digunakan untuk mendeteksi antibodi IgM anti-JEV- dan anti-
DENVpesifik pada cairan serebrospinal (CSF) specimen. Anak-anak kurang dari 60 hari tidak
diuji untuk infeksi virus dengue. Semua kasus dengue yang dikonfirmasi lebih lanjut
dikategorikan sebagai demam berdarah berat atau tidak parah. Dari tinjauan literatur kami,
kami mencatat bahwa, meskipun klasifikasi WHO 2009 yang direvisi dikatakan sebagai
peningkatan pada klasifikasi WHO tahun 1997, masih ada kebutuhan untuk pelatihan,
penyebaran informasi yang relevan, dan penelitian lebih lanjut tentang tanda-tanda peringatan
dengue yang parah. Klasifikasi juga dianggap oleh banyak orang sebagai terlalu luas,
membutuhkan definisi yang lebih spesifik dari tanda-tanda peringatan, bahwa itu
meningkatkan beban kerja untuk personel perawatan kesehatan, dan tidak sederhana atau
cukup ramah. Dalam penelitian kami kami mengkategorikan kasus demam berdarah sebagai
parah berdasarkan proses dua langkah. Langkah pertama adalah memperhitungkan semua
kasus dengue yang dikonfirmasi dengan perawatan unit perawatan intensif (ICU), bersama
dengan klasifikasi dengue WHO 2009. Kedua, dua penilaian dokter anak independen a)
mengeluarkan setiap kasus ICU yang mungkin tidak memiliki demam berdarah berat sebagai
diagnosis utama mereka dan b) untuk memasukkan setiap kasus non-ICU yang mungkin
sebenarnya telah disajikan dengan dengue berat tetapi tidak diterima karena alasan tertentu,
biasanya karena keterbatasan sumber daya. Menilai tingkat keparahan penyakit pada pasien ini
sangat menantang karena hanya presentasi klinis awal demam berdarah dan indikator
laboratorium terbatas yang tersedia pada saat penerimaan yaitu hematokrit pertama tercatat,
jumlah trombosit, jumlah sel darah putih (WBC), urea, kreatinin, dan alanin aminotransferase
( ALT) hasil, dan adanya protein urin atau sel darah merah (RBC). Hasil rontgen dada tidak
tersedia untuk mengevaluasi efusi pleura, juga bukan hasil USG abdomen yang tersedia untuk
mendeteksi cairan peritoneum (asites). Kehadiran perdarahan tidak dinilai selain dengan
memeriksa sampel tinja untuk darah. Penilaian kasus per kasus dan verifikasi oleh dua dokter
digunakan sebagai referensi untuk model prediktif.

Analisis data dan konstruksi model prediktif

Demografi dan karakteristik klinis dari kasus dengue berat dan tidak berat dijelaskan
menggunakan mean ± standard deviation (SD) jika data terdistribusi normal, atau dengan
median dan kisaran sebaliknya. Perbandingan antara kedua kelompok dilakukan dengan
menggunakan t-test Student untuk variabel kontinu jika data terdistribusi normal, jika tidak tes
Mann-Whitney U digunakan. Uji chi-square digunakan untuk data kategori. Nilai p <0,05
dianggap signifikan. Sebuah klasifikasi dan pohon regresi (CART) dibangun untuk
memprediksi tingkat keparahan kasus demam berdarah berdasarkan fitur klinis awal dan
indikator laboratorium saat masuk. Algoritma J48 digunakan untuk menghasilkan pohon
keputusan karena mampu menangani data nominal, kategori dan numerik, serta nilai-nilai yang
hilang.

Parameterisasi
Terdapat 24 variabel yang awalnya tersedia untuk analisis. Namun, tiga variabel dikeluarkan
dari analisis yaitu hasil uji turniket adalah dengan lebih dari 15% titik data yang hilang di mana
laju denyut nadi dan frekuensi pernafasan adalah parameter yang bergantung pada usia. Yang
terakhir dikeluarkan dari analisis karena mereka tidak akan praktis untuk merujuk jika disajikan
dalam model akhir. Dalam penelitian kami, beberapa nilai yang hilang dihitung dengan nilai
tunggal, termasuk nilai rata-rata untuk beberapa variabel (jumlah hari demam, waktu pengisian
kapiler, Glasgow Coma Score, dan hasil urea) dan nilai median untuk orang lain (hematokrit,
kreatinin , ALT, laju pernapasan bayi, protein urin dan RBC, dan WBC, neutrofil, limfosit, dan
jumlah trombosit).
Hasil
Terdapat 3225 pasien yang masuk selama tahun studi, dimana 1361 (42,2%) memenuhi kriteria
inklusi. Dari jumlah tersebut, 136 (10,0%) tidak terdaftar, meninggalkan 1.225 episode demam
pada 1180 anak-anak, dengan 1144 anak-anak memiliki satu episode, 31 anak-anak memiliki
dua episode, satu anak memiliki tiga episode, dan empat anak-anak memiliki empat episode.
Para pasien terutama didiagnosis memiliki infeksi saluran pernapasan bawah (38,3%), demam
tak terdiferensiasi (25,5%), atau penyakit diare (19,5%). Dari 1180 anak yang terdaftar, ada 69
kematian, penyebabnya adalah: pneumonia klinis tanpa organisme / virus yang diidentifikasi
(12 kasus, 27,5%), infeksi virus dengue (sebelas kasus, termasuk satu dengan melioidosis, dua
dengan ada tifus scrub, dan empat dengan pneumonia klinis ada, 15,9%), dan melioidosis
(empat kasus, 5,8%). 941 episode non-dengue dan 86 episode tanpa sampel yang tersedia
dikeluarkan dari analisis ini. Detail lebih lanjut dapat ditemukan di laporan asli. Dari 198
dikonfirmasi episode dengue, 43 episode diperlukan masuk ICU, dengan 29 dari mereka
diklasifikasikan sebagai demam berdarah berat berdasarkan tanda-tanda klinis mereka,
didukung oleh dua pendapat klinis independen. Sembilan episode dengue parah tambahan
dimasukkan dari penerimaan non-ICU, membuat total 38 episode dengue berat. Ada sebelas
kematian di rumah sakit di antara semua ICU mengakui pasien dengan infeksi virus dengue,
namun demam berdarah adalah diagnosis utama hanya dalam lima dari ini. Oleh karena itu,
hanya lima kasus ini termasuk dalam kelompok dengue berat. Diagram alur penelitian
ditunjukkan pada Gambar. 1. Gambaran klinis, termasuk darah dalam tinja, pembesaran hati,
masuk ICU, jumlah hari di ICU, hematokrit rendah atau tinggi, jumlah WBC rendah atau
tinggi, kreatinin tinggi, urea tinggi, jumlah trombosit yang rendah, denyut nadi cepat, laju
pernapasan cepat, Glasgow Coma Score (GCS) rendah, efusi pleura (hanya satu kasus), nyeri
perut, protein urin, RBC urin, dan ALT tinggi, dianggap berdasarkan kasus per kasus. ketika
dokter mengelompokkan demam berdarah sebagai parah atau tidak parah. Gambaran klinis dan
indikator laboratorium dari 38 kasus dengue berat ditunjukkan pada Tabel 1. Tiga fitur yang
paling umum di antara pasien dengan penyakit berat adalah masuk ICU (76,3%), laju
pernapasan cepat (81,5%), dan denyut nadi cepat (65,7%). ). Dengue berat lebih sering terjadi
pada anak-anak berusia kurang dari lima tahun. Muntah dan sakit perut secara signifikan lebih
umum pada kelompok dengue berat, seperti denyut nadi cepat dan laju pernapasan,
peningkatan waktu pengisian kapiler, dan GCS rendah. Proporsi pasien dengan dengue berat
yang lebih tinggi secara signifikan disertai hematokrit yang lebih rendah, jumlah WBC dan
limfosit yang lebih tinggi, tingkat ALT yang lebih tinggi, bersama dengan kehadiran RBC urin
(Tabel 2). Algoritma pohon keputusan akhir termasuk lima parameter klinis dan laboratorium:
hematokrit, GCS, protein urin, kreatinin, dan jumlah trombosit. Sensitivitas dan spesifisitas
model adalah 60,5% dan 65%, masing-masing (Gbr. 2). Pohon keputusan terakhir kemudian
direstrukturisasi menggunakan analisis regresi logistik untuk memperkirakan dampak dari
setiap variabel yang dipilih CART yang diwakili oleh OR dan 95% CI.
Tabel 3 memberikan perkiraan OR untuk setiap parameter yang dipilih oleh CART. Hematokrit
rendah, GCS rendah, jumlah trombosit yang rendah, keberadaan protein urin, dan kreatinin
tinggi meningkatkan kemungkinan diagnosis dengue berat, dengan OR signifikan mulai dari
1,47 hingga 13,73. Parameter yang secara statistik terkait dengan dengue berat adalah 1)
hematokrit rendah (OR = 7,114, 95% CI = 3,00–16,87, p <0,001) dan 2) GCS rendah (OR =
13,73, 95% CI = 3,46-54,50, p <0,001). Meskipun jumlah trombosit rendah (OR = 2,33, 95%
CI = 0,95-5,76), keberadaan protein urin (OR = 1,83, 95% CI = 0,78-4,32) dan peningkatan
kreatinin serum (OR = 1,47, 95% CI = 0,51– 4.25) dikaitkan dengan peningkatan risiko
keparahan, mereka tidak terbukti signifikan secara statistik oleh regresi analisis (Tabel 3).
Diskusi
Dengan menggunakan pendekatan data mining, kami telah mengembangkan suatu algoritma
menggunakan manifestasi klinis sederhana dan indikator laboratorium untuk memprediksi
tingkat keparahan demam berdarah selama fase awal penyakit. Algoritma terakhir untuk
memprediksi dengue berat (Gbr. 2) terdiri dari enam komponen dalam urutan signifikansi
mereka. Faktor yang paling signifikan dalam memprediksi dengue berat adalah hematokrit
rendah, diikuti oleh GCS 11 atau di bawah sebagai perpecahan kedua jika hematokrit lebih
besar dari 28, keberadaan protein urin dan kreatinin di atas 84 μmol / l sebagai perpecahan
ketiga jika GCS adalah di atas 11, dan akhirnya jumlah trombosit 146.000 per mm3 atau kurang
sebagai perpecahan akhir, jika keberadaan protein dan kreatinin urin berada di bawah 84 umol
/ l. Mekanisme dimana thrombocytopaenia disebabkan oleh virus dengue adalah kompleks.
Penelitian sebelumnya menunjukkan bahwa virus mungkin berkontribusi terhadap supresi
sumsum tulang dan destruksi platelet. Untuk memenuhi pedoman WHO untuk
mengklasifikasikan pasien dengan DBD, trombositopenia (jumlah trombosit ≤ 100.000)
diperlukan. Srikiatkhachorn dkk. menunjukkan bahwa trombositopenia terkait dengan
keparahan demam berdarah dan bahwa tidak semua kasus berat akan diklasifikasikan sebagai
DBD sesuai dengan kriteria WHO. Meskipun thrombocytopaenia menunjukkan bahwa infeksi
dengue parah, jumlah trombosit yang rendah juga umum di antara OFI seperti malaria dan tifus
scrub. Definisi WHO tahun 1997 tentang DBD menyatakan bahwa jumlah trombosit yang
rendah (≤ 100.000), bersama dengan peningkatan hematokrit ≥ 20% di atas nilai baseline,
merupakan indikasi kebocoran plasma. Sebaliknya, hasil kami dan hasil Potts et al.
menyarankan penurunan hematokrit sebagai tanda keparahan, terutama di antara pasien dengan
perdarahan internal di daerah-daerah seperti saluran gastrointestinal. Hasil kami juga
menyarankan nilai hematokrit yang lebih ekstrim dibandingkan dengan penelitian sebelumnya
(28% vs 40%).
Meskipun menggunakan pendekatan serupa untuk memprediksi hasil yang agak mirip dengan
penelitian yang disebutkan di atas, kami mengidentifikasi parameter tambahan yang terkait
dengan tingkat keparahan demam berdarah, termasuk GCS, protein urin, dan kreatinin serum.
Ada sejumlah penjelasan yang mungkin untuk perbedaan ini, sebagaimana diuraikan di bawah
ini. GCS digunakan untuk mengukur tingkat kesadaran (perubahan status mental). Dalam hasil
kami, simpul dengan GCS ≤ 11 (dianggap moderat) dalam model itu signifikan. Rao et al.
menunjukkan bahwa pasien dengan ensefalitis dengue memiliki GCS 7–8 dan dukungan
intubasi dan ventilator mekanik yang direkomendasikan selama perawatan di rumah sakit.
Penelitian sebelumnya di mana protein urin dikaitkan dengan DHF atau DSS menggunakan
rasio protein-ke-kreatinin urin, tetapi kami hanya menggunakan dipstik urin untuk ukuran ini.
Kehadiran protein urin pada demam berdarah berat bisa disebabkan oleh kebocoran plasma.
Peningkatan kadar kreatinin serum menunjukkan disfungsi ginjal. Pada pasien dengan DBD,
peningkatan ringan kreatinin serum adalah umum, berbeda dengan tingkat yang lebih tinggi
yang terlihat pada kasus demam berdarah berat. Model kami menunjukkan bahwa tingkat
kreatinin serum> 84 mmol / l (4,6 mg / dl) dikaitkan dengan dengue berat. Dari 25 pasien
dengan AKI terkait DBD, 16 (64%) meninggal sebagai akibat dari syok yang sangat dalam,
bersama dengan kondisi lain seperti gagal hati, gagal napas, dan perdarahan hebat. Diagnosis
dini infeksi dengue, karakteristik klinis dan laboratorium yang diketahui dan faktor-faktor
risiko bersama dengan deteksi dini AKI menggunakan kriteria yang tepat, dan pemantauan
tanda-tanda peringatan dengue berat, sangat penting jika AKI dan komplikasi lain harus
dihindari.

Meskipun dua set kriteria WHO dari tahun 1997 dan 2009 masih bisa diperdebatkan dalam hal
kemampuan mereka untuk membedakan dengue secara tepat dari OFI dan untuk
mengklasifikasikan keparahan penyakit, masalah ini diperparah oleh kurangnya data kunci di
rangkaian miskin sumber daya, sehingga sulit untuk menerapkan kriteria. Sebagai contoh, kami
tidak memiliki informasi mengenai lokasi perdarahan klinis, dan hanya mampu mendeteksi
perdarahan gastrointestinal berdasarkan pemeriksaan tinja. Selain itu, ada kurangnya informasi
mengenai tekanan darah atau tekanan nadi yang sempit untuk menunjukkan apakah pasien
mengalami syok, tidak ada data tentang kegelisahan yang menunjukkan kegagalan sirkulasi,
dan tidak ada hasil rontgen dada untuk mengevaluasi efusi pleura atau ultrasound perut untuk
mendeteksi asites, keduanya penting untuk mengidentifikasi kebocoran plasma. Pedoman
demam berdarah 1997 dan 2009 juga memasukkan tes tourniquet sebagai alat diagnostik untuk
demam berdarah pada frasa demam dini. Namun, tes tourniquet telah terbukti memiliki
sensitivitas rendah untuk diagnosis dengue, sehingga hasil negatif tidak mengecualikan infeksi
dengue. Tes tourniquet belum dilakukan untuk sebagian besar pasien di set data kami dan
dengan demikian tidak termasuk dalam analisis.
Mengenai dua pendekatan yang digunakan dalam penelitian ini, CART versus pendekatan
regresi logistik yang lebih konvensional, beberapa poin perlu disebutkan di sini. Pertama, fokus
utama kami adalah membangun model pohon keputusan dari analisis CART. CART adalah
non-parametrik, dan dapat memanipulasi data numerik yang mungkin sangat miring, multi-
modal, ordinal atau non-ordinal dalam struktur. CART tidak terpengaruh secara signifikan oleh
outlier dalam variabel input. Output dari CART dalam bentuk pohon keputusan mudah diikuti
dan memberikan beberapa informasi visual pada kepentingan hirarkis variabel dari atas ke
bawah pohon, meskipun menghitung pentingnya matriks prediktor dalam CART tidak
langsung . Dalam penelitian ini, oleh karena itu, kami menghitung pentingnya setiap prediktor
pohon keputusan melalui rasio odds yang dihitung dengan regresi logistik. Kedua, cara di mana
batas keputusan dihasilkan dalam dua pendekatan berbeda. Sementara regresi logistik
menghasilkan batas tunggal, pohon keputusan pada dasarnya partisi ruang data menjadi
setengah ruang menggunakan batas-batas keputusan linier linear, memberikan batas keputusan
non-linear. Salah satu pendekatan mungkin lebih dapat diterapkan tergantung pada pengaturan.
Akhirnya, keakuratan model diukur dengan cara yang berbeda untuk masing-masing dari dua
pendekatan. Untuk model pohon keputusan, akurasi luar sampel diperkirakan melalui validasi
silang, yaitu fungsi lintas-validasi 10 kali lipat di Weka memungkinkan kami melakukan
validasi silang dan melaporkan keakuratan model dengan mudah. Untuk regresi logistik,
bagaimanapun, akurasi model diperkirakan dari tabel klasifikasi, yang menunjukkan jumlah
yang diamati terhadap hasil yang diprediksi, menggunakan nilai cut-off default 0,5 untuk
probabilitas yang diprediksi. Untuk semua alasan di atas, akan sulit untuk membandingkan
manfaat relatif dari dua metode yang digunakan dalam penelitian kami.
Ada beberapa keterbatasan berkaitan dengan dataset yang digunakan untuk penelitian ini.
Pertama, data berasal dari hanya satu rumah sakit, indikator lebih lanjut dari sumber daya
miskin di kawasan Asia Tenggara di mana demam berdarah adalah endemik. Kedua, karena
kurangnya hasil antibodi IgG tidak mungkin untuk menafsirkan apakah kasus adalah infeksi
dengue primer atau sekunder. Informasi ini berpotensi menjadi indikator awal yang berguna
untuk tingkat keparahan infeksi dengue. Ketiga, algoritma ini berasal dari data yang
dikumpulkan dalam 48 jam penerimaan di antara anak-anak berusia kurang dari 16 tahun. Jika
model itu digunakan untuk pasien yang lebih tua atau di daerah yang berbeda, beberapa
penyesuaian mungkin diperlukan.
Meskipun kohort dari 198 pasien dengan confirmdengue relatif kecil, dengan subset yang lebih
kecil dari hanya 38 kasus dengue berat, model sederhana yang kami peroleh masih mungkin
berguna karena mencakup sejumlah kecil variabel prediktif yang mungkin akan tersedia di
pengaturan serupa. Selain itu, penelitian sebelumnya oleh Carter et al. menunjukkan bahwa tes
diagnostik cepat DENV (RDT) memiliki sensitivitas rendah untuk diagnosis infeksi dengue.
Namun, pengembangan tes diagnostik untuk demam berdarah telah berkembang pesat. Tes
NS1 khususnya telah banyak tersedia di banyak rangkaian terbatas sumber daya. Sangat mudah
digunakan dan memiliki akurasi yang dapat diterima. Jika diagnosis cepat dengue
menggunakan NS1 dapat dicapai, algoritma kami akan terbukti sangat berguna. Ini juga
menyoroti pentingnya anak-anak yang menghadiri tes segera setelah DBD dicurigai, karena
deteksi NS1 optimal selama tujuh hari pertama infeksi. Algoritme akan menjadi lebih relevan
dan berguna karena diagnosis cepat demam berdarah menjadi lebih umum. Dengan
menggunakan algoritme sederhana kami untuk membantu mengidentifikasi dan memprediksi
dengue berat, kami percaya bahwa akan ada lebih banyak ruang untuk fokus pada penyakit
bakteri lain yang lebih serius, yang semuanya umum dalam pengaturan sumber daya yang
buruk ini.
Kesimpulan
Algoritma pohon keputusan kami menggunakan indikator klinis dan laboratorium sederhana
memiliki akurasi klasifikasi yang moderat untuk memprediksi perkembangan demam berdarah
berat di antara pasien anak dengan infeksi DENV yang dikonfirmasi. Model ini menunjukkan
pentingnya kadar hematokrit dan trombosit untuk memantau tingkat keparahan demam
berdarah, seperti yang ditunjukkan oleh kriteria WHO dan studi sebelumnya. Algoritma kami
menawarkan indikator sederhana untuk tingkat keparahan, termasuk hematokrit, GCS, protein
urin, kreatinin, dan jumlah trombosit, yang semuanya diukur saat masuk. Model ini berpotensi
berguna untuk membimbing pemantauan rawat inap dan manajemen rawat jalan dari kasus
demam. Model ini memerlukan validasi lebih lanjut terhadap dataset lain dari penelitian kohort
yang dilakukan di berbagai pengaturan, dengan tujuan untuk membentuk algoritma universal
untuk membimbing manajemen klinis demam berdarah berat di rangkaian terbatas sumber
daya.