Identifikasi Prediktor Risiko Preeklampsia pada Maternal untuk Model Prediksi Berbasis Machine Learning

Abstract

Latar Belakang: Preeklampsia (PE) merupakan penyebab utama morbiditas dan mortalitas ibu serta perinatal di Indonesia. Identifikasi dini faktor risiko merupakan kunci pencegahan. Penelitian ini bertujuan untuk menganalisis faktor risiko maternal yang signifikan terhadap kejadian PE dan mengidentifikasi kandidat variabel prediktor untuk pengembangan model machine learning (ML). Metode: Penelitian case-control retrospektif ini menggunakan data rekam medis 284 ibu bersalin (142 kasus PE dan 142 kontrol normotensif) di RSUD Arifin Achmad dari Januari 2021 hingga Desember 2024. Analisis statistik deskriptif, bivariat (uji Mann-Whitney, Chi-square), dan korelasi dilakukan untuk mengidentifikasi faktor risiko signifikan dan kekuatan asosiasinya dengan PE. Hasil: Terdapat perbedaan signifikan antara kelompok PE dan normotensif dalam hal Mean Arterial Pressure (MAP) (124,83 vs 88,67 mmHg; p<0,001), Indeks Massa Tubuh (IMT) (24,85 vs 21,79; p<0,001), usia ibu (31 vs 28 tahun; p=0,005), dan berbagai parameter hematologi (hemoglobin, trombosit, indeks trombosit, dan limfosit). Analisis korelasi mengidentifikasi MAP sebagai prediktor terkuat (r=0,856), diikuti oleh riwayat penyakit ibu (r=0,399) dan IMT (r=0,322). Luaran perinatal (berat badan lahir, panjang badan lahir, nilai Apgar) secara signifikan lebih buruk pada kelompok PE. Kesimpulan: MAP, IMT, usia maternal, dan parameter hematologi tertentu merupakan prediktor kuat PE. Kombinasi variabel-variabel ini, yang mudah diperoleh dari rekam medis rutin, membentuk dasar yang kuat untuk pengembangan model prediksi PE berbasis ML yang andal dan dapat diimplementasikan secara klinis.