Salah satu metode pengobatan Hepatitis C adalah memakai terapi Interferon (IFN). Interferon dikenal cukup efektif dalam menghambat pertumbuhan virus hepatitis C. Tetapi, di sisi lain, pemakaian interferon ini diikuti oleh efek samping yang memberatkan pasien. Efek samping itu antara lain : Flu-like syndrome, menurunnya sel darah putih (leucocyte), rambut rontok, albuminuria, dsb. Terlebih lagi, berhasil tidaknya terapi interferon ini baru diketahui 6 bulan kemudian, dengan cara melakukan pemeriksaan HCV-RNA pasien. Bila hasilnya menunjukkan terjadi penurunan kadar HCV-RNA, berarti terapi itu efektif. Sebaliknya, jika kadar HCV-RNA pasien tidak turun, berarti interferon itu tidak efektif.
Terapi Interferon cukup mahal, dan mengingat beratnya resiko efek samping yang ditimbulkan, terapi ini umumnya tidak dilakukan kepada pasien yang hasil terapinya diprediksi tidak berhasil. Kepada mereka lebih baik diberikan terapi selain interferon, yang memiliki potensi keberhasilan lebih tinggi. Prediksi keberhasilan terapi interferon ini umumnya dilakukan secara manual oleh dokter yang menangani sang pasien berdasarkan data klinis seperti hepatobiopsy, gene-type virus, dsb. Salah satu kelemahan cara ini adalah akurasinya tergantung dari pengalaman dan jam terbang sang dokter.
Saat masih tinggal di Jepang, penulis berkolaborasi dengan praktisi medis mengembangkan suatu sistem cerdas yang mampu memperkirakan efektif tidaknya terapi interferon, sebelum diterapkan pada pasien [3]. Tujuan dari sistem ini adalah membantu tugas dokter untuk memilih terapi yang tepat bagi pasien. Jika ternyata hasil prediksi menunjukkan interferon tidak efektif, dokter dapat memberikan terapi lain yang mungkin lebih sesuai bagi pasien. Sistem yang dibangun memakai Support Vector Machine (SVM), sebuah metode komputasi yang dewasa ini menjadi salah satu kajian hangat di dunia komputasi pengenalan pola (pattern recognition). Informasi yang diolah oleh SVM berasal dari hasil diagnosa darah pasien meliputi Hepatobiopsy, HCV-RNA, HCV gene-type, dan berbagai faktor lain sebanyak 30 jenis.
Data yang diolah berasal dari pasien yang berobat ke Nagoya University Hospital Jepang, dari tahun 1997-2004. Dari data awal sekitar 300 sampel, setelah diteliti, akhirnya diperoleh 112 sampel data yang dianggap cukup layak untuk dianalisa. Mengingat keterbatasan data yang ada, estimasi akurasi SVM dilakukan dengan leave-one-out cross validation. Eksperimen yang dilakukan penulis menunjukkan SVM mampu mencapai akurasi 84%, yang cukup baik dibandingkan dengan berbagai metode lain yang diuji juga pada eksperimen tersebut.
Studi yang dilakukan di atas masih pada taraf eksperimen, dan belum sampai tahap implementasi di praktek medis. Untuk mencapai tahap implementasi, diperlukan kajian yang lebih intensif, terutama pemakaian sampel pasien yang jumlahnya lebih banyak. Ini tidak mudah dan merupakan tantangan klasik di riset biomedical engineering. Penyediaan sampel yang lebih banyak terbentur kendala: tidak mudah menyediakan sampel pasien dalam jumlah tertentu. Padahal dokter tidak mau tawar menawar dengan akurasi metode yang dipakai. Pasien bukanlah komputer yang kalau hang, cukup di-reboot untuk "menyembuhkan sakitnya".
Sebaliknya, peneliti di bidang komputasi pun bukanlah tukang sulap yang mampu membuat metode peramal ajaib. Kemampuan mereka hanyalah mendesain suatu solusi berdasarkan data yang diolah, sehingga hasilnya sangat tergantung kualitas dan kuantitas data tsb. Baik dokter maupun ahli komputasi menawarkan syarat yang cukup berat, agar sistem yang dikembangkan bisa dipakai. Ini yang menyebabkan hasil riset pada kategori ini memerlukan waktu yang cukup panjang untuk bisa sampai pada tahap implementasi. Dewasa ini terobosan-terobosan baru di bidang teknologi komputasi maupun medis terus dilakukan, agar waktu tunggu di atas dapat diperpendek, sehingga hasil riset dapat segera dirasakan manfaatnya oleh masyarakat.
Referensi
Algoritma tersebut diuji dalam studi kasus klasifikasi status mutasi Tumour Suppressor Gene TP53 berdasarkan ekspresi mRNA dari sample penderita penyakit kanker. Input vector diperoleh dari analisa DNA array terhadap 114 cancer cell lines, masing-masing 1281 genes, membentuk vektor berdimensi 1281. Eksperimen dilakukan memakai tiga buah PC dual-CPU, Xeon 1.7 GHz, RAM 512MB, FreeBSD 4.4.Eksperimen yang dilakukan terbagi dua:
(i) 2-class classification problem : klasifikasi ke dalam dua kategori: wild-type dan mutant
(ii) 3-class classification problem : klasifikasi ke dalam tiga kategori "wild-type", "recessive mutant" atau "dominant negative mutant" class.
Hasil dari eksperimen ini menunjukkan bahwa SFFS memberikan hasil yang paling baik, diukur dari akurasi prediksi mutasi TP53. Hasil ini menunjukkan kesesuaian dengan studi komparasi algorithma Feature Selection Algorithm, pada kasus-kasus yang lain. Analisa lebih lanjut terhadap gene-gene yang diseleksi oleh SFFS menunjukkan hasil yang menarik, karena sebagian daripada gene tsb. diketahui memiliki korelasi positif dengan proses mutasi TP53. Algoritma ini juga menunjukkan berbagai gene, yang tidak terkait secara langsung dengan mutasi TP53, akan tetapi tidak dapat ditinggalkan untuk memberikan pemahaman secara menyeluruh atas proses mutasi TP53.