Keselamatan pesakit semasa menjalani pembedahan merupakan keutamaan yang tiada kompromi. Salah satu aspek penting semasa tempoh ini adalah memantau keadaan fisiologi pesakit dengan mengawal kadar ubat-ubatan yang diberikan.

Menurut laporan Global Patient Safety 2024 oleh Pertubuhan Kesihatan Sedunia (WHO), komplikasi semasa pembedahan adalah antara penyumbang utama kepada kadar kematian di hospital seluruh dunia. Antara faktor utama yang menyumbang kepada komplikasi ini ialah ketidakseimbangan antara keadaan fisiologi pesakit dan dos ubat bius yang diberikan kepada pesakit ketika pembedahan dijalankan.

Berdasarkan statistik yang dikeluarkan oleh International Anaesthesia Research Society (IARS), nisbah pakar bius di peringkat global masih tidak mencukupi, dengan nilai kerapatan (density) 6.6 bagi 100,000 orang penduduk. Situasi ini telah mendorong kepada keperluan untuk menggunakan teknologi yang lebih canggih bagi membantu pakar bius dalam membuat pemantauan terhadap pesakit.

Penggunaan teknologi canggih menerusi penggunaan algoritma pembelajaran mesin (machine learning), yang merupakan sebahagian dari teknologi kecerdasan buatan (artificial intelligence) adalah disarankan agar proses pemantauan dan meramalkan reaksi pesakit semasa tempoh pembedahan lebih tepat. Teknologi ini telah menjadi antara komponen utama dalam revolusi digital dalam bidang penjagaan kesihatan.

Pembelajaran mesin membolehkan sistem komputer menganalisa data kesihatan dalam jumlah yang besar dan membantu profesional kesihatan untuk membuat keputusan dengan lebih tepat dan pantas. Dalam bidang pembedahan, pembelajaran mesin ini telah digunakan untuk pelbagai tujuan termasuk mengenal pasti corak penyakit, mengoptimumkan pelan rawatan, serta meramalkan hasil pembedahan.

Teknologi ini juga mampu menganalisa keadaan pesakit secara langsung menerusi isyarat fisiologi seperti kadar degupan jantung, tekanan darah, pernafasan, kepekatan gas, dan isyarat aktiviti otak untuk memberi amaran awal kepada doktor sekiranya terdapat sebarang tanda awal yang boleh memudaratkan pesakit tersebut.

Seperti aplikasi navigasi dalam telefon pintar yang memberi amaran awal tentang kesesakan lalu lintas, teknologi pembelajaran mesin juga mampu memberi amaran awal kepada doktor tentang perubahan bahaya dalam tubuh pesakit semasa pembedahan, meskipun belum ada tanda-tanda pada pesakit secara fizikal.

Selain itu, pembelajaran mesin ini membolehkan sistem untuk mengetahui tahap kesedaran pesakit dengan lebih tepat dan memberi cadangan kepada pakar bius untuk pelarasan dos ubat secara masa nyata.

Ini secara tidak langsung dapat membantu mengurangkan kadar komplikasi, tekanan darah rendah, dos ubat bius yang berlebihan dan komplikasi lain yang boleh memberi kesan jangka panjang kepada pesakit.

Kajian-kajian lepas telah membuktikan bahawa dengan sumber data yang cukup dan algoritma pembelajaran mesin yang tepat mampu menghasilkan klasifikasi dan ramalan terhadap kesedaran pesakit semasa pembedahan dengan ketepatan lebih 90%.

Ini membuktikan bahawa, teknologi pembelajaran mesin telah melepasi tahap ujian makmal dan teori, dan kini semakin terbukti keberkesanannya dalam aplikasi dunia sebenar, terutamanya dalam persekitaran bilik pembedahan yang menuntut ketepatan dan kepantasan dalam membuat keputusan. Keupayaan pembelajaran mesin untuk menyesuaikan rawatan mengikut profil fisiologi unik setiap pesakit juga menyumbang kepada konsep rawatan peribadi (personalized medicine).

Sebagai contoh, pesakit yang mempunyai toleransi rendah terhadap ubat bius boleh dikenal pasti lebih awal dan dos yang lebih rendah boleh dirancang tanpa mengorbankan keselamatan atau keberkesanan rawatan. Dengan pendekatan ini, sistem model bukan sahaja bertindak sebagai alat pemantauan, tetapi sebagai pembantu klinikal pintar yang mampu bertindak secara proaktif.

Faktor kejayaan penggunaan teknologi pembelajaran mesin dalam pemantauan semasa pembedahan turut bergantung kepada kualiti dan kesesuaian sumber data yang digunakan. Data perubatan selalunya bersifat kompleks, tidak seimbang, dan kadangkala tidak lengkap, menjadikan ianya satu cabaran dalam proses latihan model pembelajaran mesin ini.

Oleh itu, pengumpulan data yang bersih, berskala besar dan mempunyai ciri demografi yang bersesuaian adalah sangat penting bagi memastikan ketepatan ramalan yang dihasilkan. Tambahan pula, model yang dibangunkan perlu diuji dan disahkan dalam konteks klinikal sebenar sebelum boleh digunakan secara meluas. Hal ini penting bagi memastikan model yang dibangunkan bukan sahaja tepat dari segi statistik, tetapi juga boleh dipercayai dan selamat digunakan dalam kegiatan klinikal kerana ianya melibatkan nyawa pesakit.

Penggunaan pembelajaran mesin juga perlu diselaraskan dengan etika perubatan, privasi pesakit, dan pematuhan terhadap peraturan kesihatan sedia ada agar teknologi ini diterima secara menyeluruh dalam amalan klinikal.

Kerjasama antara pakar dalam bidang teknologi dan pengamal klinikal amat diperlukan bagi memastikan model yang dibangunkan benar-benar menepati keperluan persekitaran bilik bedah. Pakar bius, sebagai pengguna utama sistem ini, harus dilibatkan sedari awal pembangunan sistem agar algoritma dan antara muka pengguna (user interface) yang dibina adalah releven, praktikal dan mudah digunakan dalam suasana tekanan tinggi.

Pendekatan reka bentuk berpusatkan pengguna boleh meningkatkan kadar penerimaan teknologi baharu dalam kalangan profesional perubatan. Pada masa yang sama, latihan dan literasi digital juga perlu diperkasakan dalam kalangan petugas kesihatan agar mereka dapat memahami, yakin dan menggunakan sistem yang dibantu oleh kecerdasan buatan.

Bagi jangka masa panjang, menjadi satu keperluan untuk mewujudkan sistem pemantauan masa nyata yang bukan sahaja boleh meramalkan risiko komplikasi lebih awal, tetapi juga boleh memberi cadangan rawatan secara automatik yang disesuaikan dengan profil fisiologi unik setiap pesakit.

Konsep ini dilihat semakin menjadi tumpuan dalam dunia kesihatan global dan pembelajaran mesin. Selain itu, penggunaan teknologi pemantauan berasaskan avatar juga boleh diwujudkan agar dapat memaparkan maklumat fisiologi pesakit bentuk visual yang lebih mudah difahami oleh pakar bius.

Kesimpulannya, teknologi pembelajaran mesin mempunyai potensi besar dalam meningkatkan kualiti pemantauan semasa pembedahan dan memberi peluang yang cerah kepada bidang anestesia. Walaupun teknologi ini mampu membuat ramalan yang tepat dan pantas, ia tetap perlu digabungkan dengan kepakaran manusia masih diperlukan untuk memastikan keselamatan pesakit terjamin.

Pakar bius kekal sebagai individu utama yang membuat keputusan akhir, dan teknologi ini wajar dianggap sebagai alat bantuanm yang memperkukuh keselamatan pesakit, bukan sebagai pengganti. Penyelidikan dalam bidang ini perlu diteruskan dan diperluaskan supaya ia dapat dimanfaatkan secara praktikal dan menyeluruh dalam sistem penjagaan kesihatan global.

Penulis:

Prof. Madya Ts. Dr. Fatanah Mohamad Suhaimi
Pensyarah
Institut Perubatan dan Pergigian Termaju
Universiti Sains Malaysia

Ts. Zulfadhli Osman
Pensyarah
Jabatan Pendidikan Politeknik dan Kolej Komuniti