Aplikasi Machine Learning dalam Deteksi Feeding Difficulties pada Bayi: Tinjauan Sistematis dan Implikasi Klinis
Feeding difficulties pada bayi merupakan salah satu tantangan utama dalam praktik neonatologi dan pediatri. Kesulitan makan tidak hanya menyebabkan gangguan pertumbuhan dan status gizi, tetapi juga meningkatkan lama perawatan di rumah sakit, terutama pada bayi prematur dan bayi dengan gangguan neurologis atau kelainan kongenital. Salah satu aspek terpenting dalam proses menyusu adalah koordinasi antara mengisap (sucking), menelan (swallowing), dan bernapas (breathing). Gangguan pada koordinasi ketiga fungsi tersebut dapat menyebabkan aspirasi, tersedak, hipoksia, hingga gagal tumbuh.
Perkembangan teknologi kecerdasan buatan (Artificial Intelligence), khususnya Machine Learning (ML), membuka peluang baru dalam mendeteksi feeding difficulties secara lebih objektif. Berbeda dengan penilaian klinis yang masih banyak bergantung pada observasi tenaga kesehatan, machine learning mampu menganalisis data fisiologis dalam jumlah besar untuk mengenali pola yang sulit dideteksi oleh manusia. Oleh karena itu, pendekatan ini berpotensi meningkatkan akurasi diagnosis sekaligus mendukung pengambilan keputusan klinis.
Systematic review yang dilakukan oleh Ji ES, Lee KJ, dan Chung YC serta dipublikasikan dalam Journal of Pediatric Health Care tahun 2026 memberikan gambaran mengenai perkembangan penggunaan machine learning dalam evaluasi feeding difficulties pada bayi serta peluang penerapannya dalam pelayanan kesehatan.
Feeding Difficulties pada Bayi
Feeding difficulties pada bayi merupakan gangguan dalam kemampuan mengisap, menelan, atau mengoordinasikan proses makan sehingga kebutuhan nutrisi tidak dapat dipenuhi secara optimal. Kondisi ini sering dijumpai pada bayi prematur karena sistem saraf dan kemampuan oral-motor belum matang. Selain itu, bayi dengan kelainan neurologis, penyakit jantung bawaan, gangguan saluran napas, maupun kelainan anatomi mulut juga memiliki risiko yang lebih tinggi mengalami gangguan makan.
Manifestasi klinis dapat berupa hisapan yang lemah, mudah lelah saat menyusu, tersedak, batuk saat minum, napas tidak teratur, waktu menyusu yang sangat lama, hingga pertumbuhan yang tidak optimal. Bila tidak dikenali sejak dini, feeding difficulties dapat meningkatkan risiko malnutrisi, aspirasi, infeksi paru, serta gangguan perkembangan.
Machine Learning dalam Dunia Pediatri
Machine learning merupakan cabang kecerdasan buatan yang memungkinkan komputer mempelajari pola dari data dan menghasilkan prediksi secara otomatis tanpa harus diprogram secara spesifik untuk setiap kondisi. Dalam bidang kesehatan anak, machine learning telah digunakan untuk membantu diagnosis penyakit, memprediksi luaran klinis, mengidentifikasi faktor risiko, serta mendukung sistem pengambilan keputusan klinis (clinical decision support system).
Pada kasus feeding difficulties, algoritma machine learning memanfaatkan data yang diperoleh dari berbagai sensor fisiologis selama bayi menyusu. Data tersebut kemudian dianalisis untuk mengidentifikasi pola yang berkaitan dengan gangguan koordinasi mengisap, menelan, dan bernapas.
Metode Penelitian
Ji dan kolega melakukan systematic review sesuai pedoman PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses). Peneliti melakukan pencarian literatur secara sistematis untuk mengidentifikasi penelitian yang menggunakan machine learning pada bayi dengan feeding difficulties.
Sebanyak 1.104 publikasi berhasil diidentifikasi melalui proses pencarian. Setelah melalui proses penyaringan berdasarkan kriteria inklusi dan eksklusi, hanya 10 penelitian yang memenuhi syarat untuk dianalisis lebih lanjut. Hal ini menunjukkan bahwa penelitian mengenai penerapan machine learning pada feeding difficulties masih relatif terbatas namun berkembang pesat.
Hasil Tinjauan Sistematis
Seluruh penelitian yang dianalisis menggunakan data fisiologis yang diperoleh melalui sensor selama proses menyusu. Parameter yang paling banyak diukur meliputi jumlah hisapan (sucking), frekuensi menelan (swallowing), pola pernapasan (breathing), serta koordinasi ketiga fungsi tersebut.
Mayoritas penelitian bertujuan mengembangkan model yang mampu mengklasifikasikan bayi normal dan bayi dengan feeding difficulties atau memprediksi risiko gangguan makan. Hasil kajian menunjukkan bahwa sebagian besar model memiliki tingkat akurasi klasifikasi yang tinggi sehingga berpotensi menjadi alat bantu diagnosis di masa depan.
Algoritma Machine Learning yang Digunakan
Berbagai algoritma machine learning digunakan dalam penelitian yang ditinjau. Algoritma yang paling sering digunakan adalah Support Vector Machine (SVM), yang efektif untuk membedakan pola fisiologis bayi normal dan bayi dengan gangguan makan. Selain itu, K-Nearest Neighbors (KNN) digunakan untuk mengelompokkan data berdasarkan kemiripan karakteristik fisiologis, sedangkan Decision Tree (DT) menghasilkan model klasifikasi yang mudah dipahami oleh tenaga kesehatan.
Walaupun seluruh penelitian menggunakan data berbasis sensor, hanya sebagian kecil yang benar-benar menerapkan model machine learning secara langsung dalam proses pengambilan keputusan klinis. Hal ini menunjukkan bahwa sebagian besar penelitian masih berada pada tahap pengembangan dan validasi awal.
Manfaat Klinis Machine Learning
Penggunaan machine learning menawarkan berbagai keuntungan dalam penanganan feeding difficulties pada bayi. Analisis dilakukan secara objektif sehingga mengurangi variasi penilaian antar tenaga kesehatan. Sistem juga mampu mendeteksi gangguan lebih dini sebelum muncul gejala klinis yang berat, sehingga intervensi dapat dilakukan lebih cepat.
Selain itu, machine learning berpotensi mendukung pemantauan perkembangan kemampuan menyusu secara berkelanjutan, mengevaluasi efektivitas terapi oral-motor, serta membantu menentukan waktu yang aman untuk transisi dari pemberian makan melalui selang menuju pemberian makan oral.
Keterbatasan Penelitian
Meskipun hasil penelitian menunjukkan prospek yang menjanjikan, systematic review ini juga mengidentifikasi beberapa keterbatasan. Jumlah penelitian yang tersedia masih sedikit, ukuran sampel relatif kecil, dan metode pengukuran fisiologis belum seragam. Perbedaan jenis sensor, parameter yang digunakan, serta algoritma yang diterapkan menyebabkan hasil antarpenelitian sulit dibandingkan secara langsung.
Selain itu, sebagian besar algoritma belum divalidasi pada populasi yang lebih luas sehingga penerapannya dalam praktik klinis sehari-hari masih memerlukan penelitian lanjutan.
Implikasi bagi Praktik Pediatri
Perkembangan machine learning diperkirakan akan menjadi bagian penting dalam pelayanan kesehatan anak di masa depan. Teknologi ini tidak dimaksudkan untuk menggantikan penilaian klinis dokter, tetapi berfungsi sebagai alat bantu yang meningkatkan akurasi diagnosis dan efisiensi pelayanan.
Dengan adanya sistem yang mampu mengenali pola feeding difficulties secara otomatis, tenaga kesehatan dapat melakukan skrining lebih cepat, menentukan prioritas intervensi, serta memantau respons terapi secara lebih objektif. Integrasi machine learning dengan rekam medis elektronik dan perangkat sensor modern berpotensi menghasilkan sistem pemantauan yang real-time dan berbasis bukti.
Kesimpulan
Systematic review yang dipublikasikan dalam Journal of Pediatric Health Care tahun 2026 menunjukkan bahwa machine learning merupakan teknologi yang sangat menjanjikan untuk mendeteksi dan memprediksi feeding difficulties pada bayi, terutama melalui analisis koordinasi mengisap, menelan, dan bernapas menggunakan sensor fisiologis. Algoritma seperti Support Vector Machine, K-Nearest Neighbors, dan Decision Tree memberikan hasil klasifikasi yang baik. Namun, sebelum dapat diterapkan secara luas dalam praktik klinis, masih diperlukan standardisasi metode pengukuran, penelitian dengan jumlah sampel yang lebih besar, serta validasi eksternal agar sistem benar-benar akurat, andal, dan bermanfaat bagi pelayanan kesehatan bayi.
Daftar Pustaka
1. Ji ES, Lee KJ, Chung YC. Systematic Review of Studies Investigating Infant Feeding Difficulties: Focus on Machine Learning Applications. Journal of Pediatric Health Care. 2026;40(4):493–503. doi:10.1016/j.pedhc.2026.01.009.
2. Goday PS, Huh SY, Silverman A, et al. Pediatric Feeding Disorder: Consensus Definition and Conceptual Framework. Journal of Pediatric Gastroenterology and Nutrition. 2019;68(1):124–129.
3. Kerzner B, Milano K, MacLean WC Jr, et al. A Practical Approach to Classifying and Managing Feeding Difficulties. Pediatrics. 2015;135(2):344–353.
Leave a Reply