Algoritma pembelajaran mesin (Machine Learning) mampu memperkirakan, dengan akurasi 90%, tingkat pelatihan 50 orang berdasarkan keterampilan mereka dalam melakukan bedah saraf virtual, menurut temuan yang diterbitkan di JAMA Network Open. Sebagai bagian dari kecerdasan buatan, machine learning menggunakan data yang dihasilkan dari situasi dan skenario "pelatihan" untuk memandu prediksi dan pengambilan keputusan dalam keadaan lain. Ini memengaruhi beragam bidang yang terus tumbuh, mulai dari meramalkan krisis keuangan hingga memandu layanan streaming dalam mengembangkan pemrograman baru, hingga mengungkapkan pola tersembunyi dalam seni visual. Di ranah medis, machine learning memperbaiki diagnostik, dengan seluruh jurnal dari jurnal medis dikhususkan untuk pendekatan tersebut. Dalam studi baru, Alexander Winkler-Schwartz, MD, dari Simulasi Bedah Saraf dan Artificial Intelligence Learning Center di McGill University di Montreal, Kanada, menerapkan strategi eklektik yang disebut "ilmu data bedah" untuk keterampilan teknis dari 50 relawan untuk mencocokkan tingkat standar keahlian yang terkait dengan poin dalam perjalanan menuju ahli bedah saraf. Nilai potensial dalam mengevaluasi keterampilan bedah ada dua: mengungkapkan pola kinerja yang tidak diakui yang mungkin diterapkan untuk meminimalkan kesalahan, dan mengelompokkan peserta berdasarkan keterampilan teknis yang dapat menginformasikan praktik pelatihan dan evaluasi. Studi prospektif, studi kasus observasional mengidentifikasi metrik spesifik yang digunakan dalam prosedur bedah realitas virtual yang memungkinkan algoritma untuk secara akurat mengklasifikasikan peserta pada tingkat keahlian: ahli (ahli bedah saraf), senior (rekan bedah saraf dan penghuni senior), junior (penghuni bedah saraf junior), dan mahasiswa kedokteran. Di McGill University, dari Maret 2015 hingga Mei 2016, sembilan wanita dan 41 pria (usia rata-rata 33,6, standar deviasi, 9,5 tahun) mengangkat lima tumor otak kortikal primer virtual melalui mikroskop, mengangkat jaringan dengan aspirator ultrasonik. Prosedur dua tangan membutuhkan mengupas pia dan membakar pembuluh darah. Ini disimulasikan dengan pengangkatan tumor otak kanker, serta yang menyebabkan epilepsi, dengan tujuan mempertahankan struktur di sekitarnya. Para peserta diberikan 3 menit untuk menyelesaikan prosedur dan melakukannya sebanyak lima kali. Kelompok ini terdiri dari 14 ahli bedah saraf, empat rekan, 10 residen senior, 10 residen junior dan 12 mahasiswa kedokteran. 270 bacaan yang dinilai oleh penelitian ini dibagi ke dalam empat domain utama: gerakan yang terkait dengan instrumen tunggal, gerakan dengan kedua instrumen, gaya yang diberikan oleh instrumen, dan jaringan diangkat atau terluka. Penilaian tersebut meliputi perincian seperti gerakan mengejutkan, perubahan kecepatan darah, kiat instrumen konvergen dan divergen, dan perubahan volume tumor. Keempat algoritma yang diimplementasikan memiliki akurasi 90%, 84%, 78% dan 76%. Secara umum, dua ahli bedah saraf diklasifikasikan secara tidak benar dalam strategi, satu residen senior dan satu residen junior, dan tiga dari empat algoritma salah mengklasifikasikan mahasiswa kedokteran tunggal sebagai ahli bedah saraf. Para peneliti menyimpulkan: "Kami menemukan bahwa algoritma pembelajaran mesin berperforma terbaik hanya menggunakan 6 statistik kinerja untuk berhasil mengklasifikasikan 45 dari 50 peserta dalam 1 dari 4 kelompok ahli . Temuan ini menunjukkan bahwa algoritma dapat mengklasifikasikan keahlian bedah dengan granularitas dan presisi yang lebih besar daripada sebelumnya yang ditunjukkan dalam suatu operasi." Bagian vital dari machine learning adalah kecerdasan buatan alias Artificial Intelligence (AI). Dalam dunia operasi medis, AI telah lama diprediksi penggunaannya dan akan semakin masif di tahun-tahun mendatang.  Menurut Dr. Corley melalui Stat News, menjelaskan manfaat dari penggunaan AI ini: 1. AI telah dimungkinkan oleh kemajuan dalam data pasien dari EHRs dan inovasi dalam pemantauan dan pencitraan pasien. Komputer dapat belajar dengan mengenali pola dalam sampel data pelatihan dan menerapkan aturan baru pada data pasien untuk diagnosis dan perawatan yang lebih akurat. 2. Ahli bedah saraf menggunakan model statistik AI untuk membuat keputusan. Misi Internasional untuk Prognosis dan Analisis Uji Klinis dalam model cedera otak traumatis memasukkan data kunci ke dalam algoritma dan komputer menghitung probabilitas kematian atau kecacatan enam bulan setelah kejadian. 3. AI dapat membuat prediksi hasil lebih akurat. Sebuah studi dari Burlington University yang berbasis di Burlington menunjukkan bahwa jaringan saraf tiruan memiliki kemampuan prediksi yang lebih baik untuk pasien cedera otak traumatis daripada ahli bedah saraf berpengalaman. Pendekatan ini dapat digunakan dalam prosedur bedah lainnya, kata para peneliti. George Shorten, MD, PhD, dari Departemen Anestesi dan Kedokteran Perawatan Intensif di Cork University Hospital di Irlandia, setuju dengan komentar yang menyertainya. "Karya penulis menyerukan pertimbangan yang lebih luas tentang bagaimana kecerdasan buatan dapat diterapkan pada perilaku manusia dalam kedokteran, khususnya untuk kinerja tugas-tugas teknis. Para penulis memberikan wawasan mendalam tentang nilai potensial kecerdasan buatan yang dapat dipertanggungjawabkan ketika membawa orang ke keterampilan teknis." Hal yang hebat tentang pendekatan machine learning, Shorten menambahkan, adalah bahwa asosiasi menjadi lebih kuat dengan meningkatnya data, dan membangun alat prediksi yang kuat. Tetapi, batasannya adalah bahwa dengan 270 referensi, masih mewakili sebagian kecil dari semua metrik gerak atau posisi yang mungkin dapat mewakili kinerja para ahli atau pemula. Shorten kemudian menunjukkan bahwa ahli bedah dapat mencapai hasil yang sama melalui rute yang berbeda, dan bahwa pendekatan Machine learning mungkin tidak mencatat kombinasi strategi dan keterampilan individu tersebut. Menambahkan penilaian keterampilan psikomotor dan visuospatial dan ketangkasan, ia menambahkan, dapat membantu menjelaskan langkah-langkah individu dalam koreografi operasi. Prosedur bedah saraf yang kompleks membutuhkan perawatan yang rumit, terutama dalam kasus cedera otak traumatis. Operasi berpotensi menyelamatkan nyawa pasien tetapi juga membawa risiko jika terjadi kesalahan. Para peneliti sedang mengembangkan sistem kecerdasan buatan untuk memprediksi hasil dan membantu ahli bedah memutuskan apakah akan melakukan operasi pada pasien dengan cedera otak traumatis. Sumber: JAMA Network Open. 2019;2(8):e198363. doi:10.1001/jamanetworkopen.2019.8363