Stroke merupakan salah satu penyebab utama kecacatan dan kematian di dunia. Deteksi dini terhadap risiko stroke sangat penting untuk mencegah dampak yang lebih parah. Dalam penelitian terbaru, para ilmuwan mengembangkan model prediksi stroke yang menggabungkan dua metode canggih: Fuzzy K-Nearest Neighbor (FKNN) dan Artificial Neural Networks (ANN), serta dilengkapi dengan teknik seleksi fitur untuk meningkatkan akurasi.
Metode Prediksi Inovatif
Model yang diusulkan memanfaatkan keunggulan masing-masing metode. Fuzzy K-Nearest Neighbor berfungsi untuk mengelompokkan data berdasarkan kedekatan fitur dengan mempertimbangkan ketidakpastian, sementara Jaringan Saraf Tiruan bekerja untuk mempelajari pola kompleks dari data yang telah diseleksi. Teknik seleksi fitur digunakan untuk memilih atribut-atribut yang paling relevan, sehingga proses komputasi lebih efisien dan hasil prediksi lebih akurat.
Hasil dan Dampak
Pengujian model menunjukkan peningkatan signifikan dalam akurasi prediksi risiko stroke dibandingkan dengan metode konvensional. Dengan memilih fitur-fitur kunci seperti usia, tekanan darah, riwayat penyakit, dan gaya hidup, model ini mampu memberikan peringatan dini yang lebih tepat. Penelitian ini diharapkan dapat membantu tenaga medis dalam melakukan skrining awal dan memberikan intervensi yang lebih cepat kepada pasien berisiko.
Meskipun masih perlu validasi lebih lanjut pada data pasien nyata, pendekatan ini membuka peluang baru dalam pengembangan sistem pendukung keputusan klinis berbasis kecerdasan buatan. Universitas Airlangga sebagai lembaga riset terus berkomitmen menghadirkan inovasi yang bermanfaat bagi dunia kesehatan.