Sebuah studi dilakukan untuk skrining hipertensi pada populasi besar di Indonesia dengan menggunakan machine learning (ML) dan 11 faktor risiko non-laboratorium, serta memvalidasi hasilnya melalui validasi internal dan eksternal. Dari 1,78 juta peserta Posbindu yang terdaftar (usia ≥15 tahun) akhirnya 268.210 data dianalisis; dataset dibagi untuk pelatihan (dengan 10-fold cross-validation) dan untuk validasi eksternal. Tiga algoritma ML—random forest, gradient boosting, dan XGBoost—dibandingkan dengan regresi logistik sebagai tolok ukur, dan XGBoost menunjukkan kinerja terbaik pada validasi eksternal. Ketika beberapa variabel (usia, lingkar perut, BMI) digunakan dalam bentuk numerik, model mencapai sensitivitas 0,97 dan AUC 0,75, menandakan kemampuan skrining yang sangat baik.

Urutan faktor risiko terpenting adalah riwayat keluarga hipertensi, usia, lingkar perut, BMI, diikuti oleh pekerjaan, pendidikan, jenis kelamin, merokok, aktivitas fisik rendah, kurang konsumsi buah/sayur, dan konsumsi alkohol. Kesimpulannya, model ML mampu menyaring hipertensi secara efektif menggunakan 11 faktor yang mudah dikumpulkan, dan penggunaan variabel numerik untuk usia, WC, dan BMI meningkatkan kemampuan diskriminasi dibandingkan versi kategorikal.

Selengkapnya https://bmjopen.bmj.com/content/15/8/e092364.abstract