Rancangan Sistem Prediksi Penyakit Jantung Berbasis Framingham Risk Score: Konsistensi Teoritis dan Implementasi Web

Hania Ayu Karin; Timothy Christian; Gabriel Putra; Muhammad Fahad; Muhammad Dhaffa Nugroho; Ilham Yusuf Maulana; Bambang Irawan

doi:10.56427/jcbd.v4i3.775

Authors

Hania Ayu Karin Universitas Esa Unggul
Timothy Christian Universitas Esa Unggul
Gabriel Putra Universitas Esa Unggul
Muhammad Fahad Universitas Esa Unggul
Muhammad Dhaffa Nugroho Universitas Esa Unggul
Ilham Yusuf Maulana Universitas Esa Unggul
Bambang Irawan Universitas Esa Unggul

DOI:

https://doi.org/10.56427/jcbd.v4i3.775

Keywords:

Framingham Risk Score, Gejala Kardiovaskular, Kalkulator Risiko Kesehatan, Prediksi Risiko Jantung, Skrining Penyakit Jantung

Abstract

Penyakit jantung merupakan penyebab kematian tertinggi di dunia. Deteksi dini risiko penyakit jantung dapat dilakukan menggunakan algoritma Framingham Risk Score (FRS). Penelitian ini merancang sistem prediksi risiko penyakit jantung berbasis web dengan mengadaptasi algortima Framingham Risk Score (FRS) yang dimodifikasi untuk lingkungan digital. Sistem dirancang menggunakan HTML, CSS, dan JavaScript sengan antarmuka form input gejala subjektif (nyeri dada, sesak napas, diabetes, dll) dan faktor demografis (usia, gender, riwayat keluarga). Parameter skoring dimodifikasi dari pedoman American Heart Association dan European Society of Cardiology dengan penyesuaian bobot gejala klinis seperti nyeri dada “berat” (+4 poin) dan diabetes (+3 poin). Hasil simulasi teoritis terhadap 5 skenario kasus menunjukkan konsistensi 95-97% dengan perhitungan manual FRS menggunakan kalkulator standar MDCalc. Sistem mengklasifikasikan output menjadi tiga kategori risiko: rendah(<10%), sedang(10-20%), dan tinggi(>20%), disertai rekomendasi tindak lanjut. Keunggulan rancangan ini terletak pada kemudahan akses sebagai alat skrining mandiri, namun memiliki keterbatasan utama yakni tidak mencakup parameter laboratorium (kolesterol, LDL) dan belum diuji dengan data pasien nyata. Simpulan Studi menekankan bahwa sistem ini bersifat prepanduan (pre-screening) dan setiap hasil prediksi harus dikonfirmasi melalui pemeriksaan media lengkap.

Downloads

Download data is not yet available.

References

S. Mohan, C. Thirumalai, and G. Srivastava, “Effective heart disease prediction using hybrid machine learning techniques,” IEEE Access, vol. 7, pp. 81542–81554, 2019, doi: 10.1109/ACCESS.2019.2923707.

A. Rohman, V. Suhartono, and C. Supriyanto, “PENERAPAN ALGORITMA C4.5 BERBASIS ADABOOST UNTUK PREDIKSI PENYAKIT JANTUNG,” 2017. [Online]. Available: http://research.com

J. A. A. G. Damen et al., “Prediction models for cardiovascular disease risk in the general population: Systematic review,” May 16, 2016, BMJ Publishing Group. doi: 10.1136/bmj.i2416.

K. Shameer, K. W. Johnson, B. S. Glicksberg, J. T. Dudley, and P. P. Sengupta, “Machine learning in cardiovascular medicine: Are we there yet?,” Jan. 19, 2018, BMJ Publishing Group. doi: 10.1136/heartjnl-2017-311198.

J. Soni Ujma Ansari Dipesh Sharma and S. Associate Professor, “Predictive Data Mining for Medical Diagnosis: An Overview of Heart Disease Prediction Sunita Soni,” 2011.

J. Hermansson and T. Kahan, “Systematic Review of Validity Assessments of Framingham Risk Score Results in Health Economic Modelling of Lipid-Modifying Therapies in Europe,” Feb. 01, 2018, Springer International Publishing. doi: 10.1007/s40273-017-0578-1.

P. Gupta et al., “Cardiovascular risk prediction in India: Comparison of the original and recalibrated framingham prognostic models in urban populations. [version 2; peer review: 1 approved, 1 approved with reservations],” Wellcome Open Res, vol. 4, 2019, doi: 10.12688/wellcomeopenres.15137.1.

R. B. D’Agostino et al., “General cardiovascular risk profile for use in primary care: The Framingham heart study,” Circulation, vol. 117, no. 6, pp. 743–753, Feb. 2008, doi: 10.1161/CIRCULATIONAHA.107.699579.

A. M. Alaa, T. Bolton, E. Di Angelantonio, J. H. F. Rudd, and M. van der Schaar, “Cardiovascular disease risk prediction using automated machine learning: A prospective study of 423,604 UK Biobank participants,” PLoS One, vol. 14, no. 5, May 2019, doi: 10.1371/journal.pone.0213653.

N. Yanamala et al., “A vital sign-based prediction algorithm for differentiating COVID-19 versus seasonal influenza in hospitalized patients,” NPJ Digit Med, vol. 4, no. 1, Dec. 2021, doi: 10.1038/s41746-021-00467-8.