Machine Learning untuk Deteksi Dini Gangguan Makan pada Bayi: Tinjauan Sistematis dan Implikasi bagi Praktik Pediatri

Machine Learning untuk Deteksi Dini Gangguan Makan pada Bayi: Tinjauan Sistematis dan Implikasi bagi Praktik Pediatri

Gangguan makan pada bayi (infant feeding difficulties) merupakan masalah klinis yang sering dijumpai, terutama pada bayi prematur, bayi dengan gangguan neurologis, penyakit jantung bawaan, kelainan saluran napas, maupun gangguan perkembangan oral motor. Penilaian kemampuan makan selama ini masih bergantung pada observasi klinis yang bersifat subjektif. Perkembangan kecerdasan buatan (artificial intelligence, AI), khususnya machine learning (ML), membuka peluang untuk melakukan deteksi dini, klasifikasi, dan prediksi gangguan makan secara lebih objektif. Tinjauan sistematis oleh Ji, Lee, dan Chung yang dipublikasikan dalam Journal of Pediatric Health Care tahun 2026 mengevaluasi penelitian mengenai penggunaan machine learning pada bayi dengan feeding difficulties. Dari 1.104 artikel yang disaring, hanya 10 penelitian memenuhi kriteria inklusi. Sebagian besar penelitian menggunakan data fisiologis selama proses menyusu, seperti pola mengisap (sucking), menelan (swallowing), dan bernapas (breathing). Algoritme yang paling sering digunakan adalah Support Vector Machine (SVM), K-Nearest Neighbors (KNN), dan Decision Tree (DT), dengan akurasi klasifikasi yang tinggi. Meskipun hasil awal menjanjikan, jumlah penelitian masih terbatas dan sebagian besar masih berada pada tahap pengembangan. Standarisasi metode, validasi eksternal, serta integrasi ke dalam praktik klinis masih menjadi tantangan utama.

Gangguan makan pada bayi merupakan masalah multidimensional yang dapat memengaruhi pertumbuhan, perkembangan neurologis, status gizi, serta kualitas hidup anak dan keluarganya. Kesulitan makan dapat berupa koordinasi mengisap, menelan, dan bernapas yang belum matang, refleks oral yang abnormal, aspirasi, disfagia, hingga ketidakmampuan mengonsumsi nutrisi secara adekuat.

Diagnosis selama ini bergantung pada observasi tenaga kesehatan, evaluasi klinis, serta pemeriksaan instrumental seperti Videofluoroscopic Swallow Study (VFSS) dan Fiberoptic Endoscopic Evaluation of Swallowing (FEES). Pemeriksaan tersebut memerlukan fasilitas khusus, tenaga ahli, biaya tinggi, dan tidak selalu tersedia. Kemajuan machine learning memungkinkan analisis otomatis terhadap data fisiologis bayi sehingga berpotensi meningkatkan akurasi diagnosis serta mendeteksi gangguan makan lebih dini.

Machine Learning dalam Bidang Pediatri

Machine learning merupakan cabang kecerdasan buatan yang memungkinkan komputer mengenali pola dari sejumlah besar data untuk membuat prediksi atau klasifikasi tanpa diprogram secara eksplisit.

Dalam bidang pediatri, teknologi ini mulai digunakan untuk:

deteksi penyakit bawaan
interpretasi pencitraan medis
prediksi sepsis neonatus
analisis tangisan bayi
pemantauan pertumbuhan
evaluasi gangguan makan

Metode Tinjauan Sistematis

Penelitian Ji dan kolega mengikuti pedoman PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses).

Tabel 1. Karakteristik Tinjauan Sistematis

Komponen	Keterangan
Jurnal	Journal of Pediatric Health Care
Tahun	2026
Desain	Systematic Review
Pedoman	PRISMA
Artikel disaring	1.104
Artikel memenuhi kriteria	10
Populasi	Bayi dengan feeding difficulties
Fokus	Machine learning untuk diagnosis dan prediksi

Data yang Dianalisis oleh Machine Learning

Semua penelitian menggunakan sensor fisiologis selama proses menyusu.

Tabel 2. Jenis Data yang Digunakan

Parameter	Tujuan
Frekuensi mengisap	Menilai kemampuan oral motor
Pola menelan	Mendeteksi disfagia
Pola pernapasan	Menilai koordinasi napas saat menyusu
Tekanan hisapan	Mengukur efektivitas menyusu
Durasi menyusu	Menilai efisiensi makan
Sinkronisasi suck-swallow-breathe	Identifikasi gangguan koordinasi

Algoritme Machine Learning yang Digunakan

Sebagian besar penelitian menggunakan metode supervised learning.

Tabel 3. Algoritme yang Digunakan

Algoritme	Fungsi
Support Vector Machine (SVM)	Klasifikasi gangguan makan
K-Nearest Neighbors (KNN)	Identifikasi pola fisiologis yang serupa
Decision Tree (DT)	Prediksi risiko feeding difficulties
Deep Learning	Analisis pola kompleks
Predictive Modeling	Prediksi keberhasilan oral feeding

SVM merupakan algoritme yang paling sering digunakan karena mampu mengolah data fisiologis dengan jumlah sampel relatif kecil dan menghasilkan akurasi klasifikasi yang baik.

Hasil Utama

Sebagian besar penelitian melaporkan bahwa machine learning mampu membedakan bayi dengan gangguan makan dan bayi dengan kemampuan makan normal berdasarkan pola fisiologis selama menyusu.
Model prediksi menunjukkan akurasi yang tinggi dalam mengidentifikasi gangguan koordinasi mengisap, menelan, dan bernapas. Namun, hanya empat penelitian yang benar-benar menerapkan model machine learning secara langsung pada proses klasifikasi atau prediksi. Penelitian lainnya masih berfokus pada pengumpulan data sensor sebagai dasar pengembangan algoritme.

Keunggulan Machine Learning

Tabel 4. Potensi Manfaat Klinis

Keunggulan	Manfaat
Analisis objektif	Mengurangi variasi penilaian antar pemeriksa
Deteksi dini	Mengenali gangguan sebelum gejala berat muncul
Monitoring berulang	Evaluasi perkembangan secara berkala
Prediksi hasil terapi	Membantu perencanaan intervensi
Analisis data besar	Mengidentifikasi pola yang sulit dikenali secara manual

Keterbatasan Penelitian

Walaupun hasil awal menjanjikan, terdapat beberapa keterbatasan.

Tabel 5. Keterbatasan yang Dilaporkan

Keterbatasan	Dampak
Jumlah penelitian sedikit	Bukti ilmiah masih terbatas
Ukuran sampel kecil	Generalisasi rendah
Variasi sensor	Sulit membandingkan hasil
Variasi algoritme	Belum ada standar
Validasi eksternal terbatas	Belum siap digunakan secara luas
Belum banyak uji prospektif	Efektivitas klinis belum sepenuhnya diketahui

Implikasi bagi Praktik Pediatri

Machine learning berpotensi menjadi alat bantu klinis dalam mendeteksi gangguan makan secara lebih cepat dan objektif. Teknologi ini tidak dimaksudkan menggantikan dokter, melainkan mendukung pengambilan keputusan melalui analisis data fisiologis yang kompleks.

Pada masa mendatang, sistem berbasis sensor yang terintegrasi dengan algoritme machine learning dapat digunakan di ruang perawatan intensif neonatal (NICU), klinik tumbuh kembang, maupun layanan rehabilitasi untuk memantau kemampuan makan bayi secara real time.

Arah Penelitian Masa Depan

Pengembangan teknologi ini memerlukan beberapa langkah penting, antara lain:

standarisasi sensor dan parameter fisiologis
pengembangan basis data multisentra dengan jumlah sampel besar
validasi algoritme pada berbagai populasi bayi
integrasi dengan rekam medis elektronik
evaluasi efektivitas terhadap luaran klinis seperti waktu transisi ke oral feeding penuh, lama rawat inap, pertumbuhan, dan kualitas hidup

Kesimpulan

Tinjauan sistematis Ji dan kolega menunjukkan bahwa machine learning merupakan pendekatan yang menjanjikan untuk mendeteksi dan memprediksi gangguan makan pada bayi melalui analisis pola mengisap, menelan, dan bernapas. Algoritme seperti Support Vector Machine, K-Nearest Neighbors, dan Decision Tree menunjukkan performa klasifikasi yang baik pada penelitian awal. Meskipun demikian, bukti yang tersedia masih terbatas, sebagian besar penelitian menggunakan ukuran sampel kecil, dan hanya sedikit yang telah menerapkan model machine learning secara langsung dalam praktik klinis. Penelitian prospektif berskala besar, standarisasi metode, serta validasi eksternal diperlukan sebelum teknologi ini dapat diimplementasikan secara luas sebagai bagian dari layanan pediatri modern.

Daftar Pustaka

Ji ES, Lee KJ, Chung YC. Systematic Review of Studies Investigating Infant Feeding Difficulties: Focus on Machine Learning Applications. J Pediatr Health Care. 2026;40(4):493-503. doi:10.1016/j.pedhc.2026.01.009.
World Health Organization. Guideline: Protecting, Promoting and Supporting Breastfeeding in Facilities Providing Maternity and Newborn Services. Geneva: WHO; 2017.
Goday PS, Huh SY, Silverman A, et al. Pediatric Feeding Disorder. J Pediatr Gastroenterol Nutr. 2019;68(1):124-129.
Lefton-Greif MA, Arvedson JC. Pediatric Feeding and Swallowing Disorders. Pediatr Clin North Am. 2017;64(3):525-541.
Arvedson JC. Feeding Children with Dysphagia. Semin Speech Lang. 2013;34(2):86-96.
Delaney AL, Arvedson JC. Development of Swallowing and Feeding. Pediatr Clin North Am. 2008;55(3):715-731.
Shaker CS. Cue-Based Feeding in the NICU. Neonatal Network. 2013;32(6):404-408.
Chen M, Decoste D, et al. Artificial Intelligence in Neonatal Medicine. Front Pediatr. 2024;12:1356245.
Topol EJ. High-performance Medicine: The Convergence of Human and Artificial Intelligence. Nat Med. 2019;25:44-56.
Esteva A, Robicquet A, Ramsundar B, et al. A Guide to Deep Learning in Healthcare. Nat Med. 2019;25:24-29.