Peneliti dari Clinical Epidemiology and Biostatistics Unit (CE&BU) FK-KMK UGM berhasil menerbitkan artikel ilmiah berjudul “In-hospital mortality predictors of stroke patients with diabetes mellitus” di Journal of Neurosciences in Rural Practice, Volume 17, Issue 1, halaman 64–72. Artikel ini ditulis oleh Mawaddah Ar Rochmah, Dhite Bayu Nugroho, Abdul Gofir, Muhammad Robikhul Ikhsan, Faishal Hanif, Atitya Fithri Khairani, Lukman Ade Chandra, dan Ismail Setyopranoto, dengan afiliasi dari FK-KMK UGM serta RSUD Prof. Dr. Margono Soekarjo. Artikel tersebut diterbitkan pada 12 Maret 2026 dengan DOI 10.25259/JNRP_85_2025.
Artikel ini mengangkat isu penting dalam layanan stroke, khususnya pada pasien dengan diabetes melitus tipe 2. Stroke masih menjadi salah satu penyebab utama disabilitas dan kematian, sementara diabetes melitus tipe 2 diketahui meningkatkan risiko stroke serta berkaitan dengan luaran klinis yang lebih buruk.
Dalam penelitian ini, tim mengembangkan sistem skor prognostik berbasis machine learning untuk memperkirakan risiko kematian selama perawatan di rumah sakit pada pasien stroke akut dengan diabetes melitus tipe 2. Penelitian menggunakan data claims-based diabetes registry di RSUP Dr. Sardjito Yogyakarta pada periode Januari 2016 hingga Desember 2020. Dari 18.652 pasien dalam registri, sebanyak 749 pasien memenuhi kriteria analisis, terdiri dari 557 pasien yang hidup saat pulang dari rumah sakit dan 192 pasien yang meninggal selama perawatan.
Tim peneliti membandingkan empat algoritma machine learning, yaitu Random Forest, Logistic Regression, XGBoost, dan K-Nearest Neighbors (KNN). Hasil penelitian menunjukkan bahwa model Random Forest memiliki performa terbaik dibandingkan model lain. Enam faktor utama yang digunakan dalam sistem prediksi adalah lama rawat inap, sepsis, pneumonia, usia, dislipidemia, dan hemiplegia.
Salah satu luaran penting dari penelitian ini adalah pengembangan alat prediksi mortalitas berbasis web menggunakan kerangka R Shiny, yang dapat diakses melalui ugm.id/dmstroke. Alat ini memungkinkan pengguna memasukkan variabel klinis pasien dan memperoleh estimasi probabilitas kematian selama perawatan, disertai visualisasi kontribusi tiap variabel menggunakan pendekatan SHAP (SHapley Additive exPlanations).
Validasi menggunakan data stroke tahun 2024 menunjukkan bahwa sistem skor tersebut mampu membedakan kelompok pasien yang bertahan hidup dan yang meninggal selama perawatan. Pada kelompok seluruh pasien stroke akut dengan diabetes melitus tipe 2, median skor probabilitas mortalitas adalah 0,01 pada kelompok yang bertahan hidup dan 0,63 pada kelompok yang meninggal, dengan perbedaan yang bermakna secara statistik.
Temuan ini menunjukkan potensi pemanfaatan data rutin rumah sakit untuk mendukung pengambilan keputusan klinis. Dengan model yang ringan dan berbasis web, sistem prediksi ini dapat membantu klinisi dalam perencanaan perawatan, komunikasi dengan pasien dan keluarga, serta alokasi sumber daya layanan kesehatan. Peneliti juga menegaskan bahwa pengembangan dan validasi lebih lanjut tetap diperlukan agar sistem ini dapat diterapkan secara lebih luas pada berbagai konteks layanan kesehatan.
Artikel ini bertujuan mengembangkan skor prognostik berbasis machine learning untuk memprediksi mortalitas pasien stroke akut dengan diabetes melitus tipe 2 selama perawatan di rumah sakit. Penelitian menggunakan data registri diabetes berbasis klaim di RSUP Dr. Sardjito Yogyakarta, dengan analisis terhadap 749 pasien. Model Random Forest menunjukkan performa terbaik, dengan AUC-ROC sebesar 0,884, yang menunjukkan kemampuan diskriminasi yang baik. Variabel terpenting yang digunakan dalam model akhir adalah lama rawat inap, sepsis, pneumonia, usia, dislipidemia, dan hemiplegia. Sistem prediksi kemudian dikembangkan dalam bentuk aplikasi web berbasis R Shiny, sehingga berpotensi digunakan secara dinamis selama pasien menjalani perawatan.
Publikasi ini berkontribusi langsung pada SDG 3: Good Health and Well-being, khususnya target 3.4 yang menekankan penurunan kematian prematur akibat penyakit tidak menular melalui pencegahan dan tata laksana yang lebih baik. Stroke dan diabetes merupakan bagian penting dari beban penyakit tidak menular, sehingga pengembangan sistem prediksi risiko mortalitas dapat mendukung peningkatan kualitas layanan klinis dan keselamatan pasien.
Penelitian ini juga sejalan dengan SDG 9: Industry, Innovation and Infrastructure, terutama dalam aspek penguatan riset ilmiah dan pemanfaatan inovasi teknologi. Penggunaan machine learning, data registri rumah sakit, dan aplikasi web menunjukkan bagaimana inovasi digital dapat diterjemahkan menjadi alat bantu klinis yang relevan untuk pelayanan kesehatan.
Selain itu, kolaborasi lintas departemen di FK-KMK UGM dan jejaring rumah sakit mencerminkan semangat SDG 17: Partnerships for the Goals, yang menekankan pentingnya kemitraan, berbagi pengetahuan, teknologi, dan sumber daya untuk mencapai tujuan pembangunan berkelanjutan.