Studi multicenter menunjukkan machine learning dapat memprediksi perjalanan BMI dan kemungkinan remisi diabetes tipe 2 hingga lima tahun setelah operasi.
Operasi metabolic bariatric selama ini terutama dibicarakan dalam konteks penurunan berat badan. Namun, tujuan klinisnya jauh lebih luas. Pada pasien dengan obesitas dan diabetes tipe 2, operasi dapat menghasilkan perubahan metabolik yang signifikan, termasuk kemungkinan diabetes mengalami remisi.
Pertanyaan berikutnya menjadi semakin penting: bisakah dokter memperkirakan sejak awal pasien mana yang memiliki kemungkinan lebih besar mengalami remisi diabetes setelah operasi?
Sebuah penelitian terbaru menunjukkan bahwa kecerdasan buatan atau artificial intelligence (AI), khususnya machine learning, mulai membuka kemungkinan tersebut.
Penelitian yang diterbitkan dalam BJS Open, Volume 10, Issue 4, tahun 2026, mengembangkan model prediktif untuk memperkirakan perjalanan indeks massa tubuh (BMI) sekaligus kemungkinan remisi diabetes tipe 2 setelah metabolic bariatric surgery. Artikel tersebut dipublikasikan secara daring pada 3 Juli 2026 dan tercatat dalam edisi Agustus 2026.
Dari “Apa yang terjadi?” menjadi “Apa yang kemungkinan terjadi?”
Dalam praktik klinis, dokter selama ini menggunakan karakteristik pasien sebelum operasi—misalnya berat badan, BMI, diabetes, dan faktor klinis lainnya—untuk memperkirakan hasil operasi.
Namun, perjalanan pasien setelah operasi bersifat dinamis.
Berat badan berubah dari waktu ke waktu. BMI dapat turun dengan cepat pada fase awal dan kemudian memasuki fase stabilisasi. Perubahan tersebut dapat memberikan informasi tambahan mengenai respons metabolik pasien.
Penelitian ini mencoba memasukkan dinamika tersebut ke dalam model prediksi.
Dengan kata lain, AI tidak hanya bertanya:
“Bagaimana kondisi pasien sebelum operasi?”
Tetapi juga:
“Bagaimana perjalanan berat badan pasien setelah operasi, dan apa yang mungkin berarti bagi kemungkinan remisi diabetes?”
Inilah salah satu aspek penting penelitian tersebut.
Penelitian dari mana?
Penelitian berjudul:
Development of a predictive model for postoperative body mass index and diabetes outcomes after metabolic bariatric surgery: retrospective cohort study
ditulis oleh Vincent Ochs dan 36 penulis lainnya, dengan penulis yang berasal antara lain dari University of Basel, University Hospital Würzburg, Clarunis/University Hospital Basel, serta berbagai pusat klinis dan akademik di Eropa.
Penelitian tersebut diterbitkan dalam:
BJS Open
Volume 10, Issue 4
Agustus 2026
Article number: zrag054
Publikasi daring: 3 Juli 2026
DOI: 10.1093/bjsopen/zrag054
Penulis pertama adalah Vincent Ochs dari Department of Biomedical Engineering, Faculty of Medicine, University of Basel, Swiss. Penulis korespondensi antara lain Anas Taha dan Stephanie Taha-Mehlitz.
Bagaimana penelitian dilakukan?
Penelitian ini merupakan studi kohort retrospektif multicenter.
Peneliti menganalisis pasien dewasa yang menjalani dua jenis operasi metabolic bariatric yang paling umum, yaitu:
- Roux-en-Y gastric bypass (RYGB)
- Sleeve gastrectomy (SG)
Data berasal dari 11 pusat di Eropa, dengan pasien yang menjalani operasi pada periode 2012–2023. Dari 11.457 pasien yang awalnya teridentifikasi, sebanyak 9.652 pasien dengan data awal dan tindak lanjut yang lengkap dimasukkan dalam analisis.
Model kemudian digunakan untuk memprediksi perjalanan BMI mulai dari sekitar tiga bulan hingga lima tahun setelah operasi.
Penelitian menggunakan pendekatan dua tahap.
Tahap pertama: model machine learning memprediksi perjalanan BMI pasien setelah operasi.
Tahap kedua: hasil prediksi perjalanan BMI tersebut digabungkan dengan karakteristik awal pasien untuk memperkirakan kemungkinan remisi diabetes tipe 2.
Pendekatan ini penting karena model tidak hanya menggunakan satu titik data, tetapi mencoba membaca perjalanan pasien dari waktu ke waktu.
AI yang digunakan bukan satu algoritma
Para peneliti menguji beberapa metode machine learning, antara lain:
- XGBoost
- Random Forest
- HistGradientBoosting
- Multilayer Perceptron
Untuk prediksi BMI, model dengan performa terbaik adalah HistGradientBoosting.
Sementara untuk klasifikasi kemungkinan remisi diabetes tipe 2, model terbaik adalah XGBoost.
Bagi pembaca umum, nama-nama algoritma tersebut sebenarnya bukan bagian terpenting.
Yang lebih penting adalah bahwa peneliti mencoba membangun sistem yang dapat mengubah kumpulan data klinis menjadi prediksi individual mengenai perjalanan pasien setelah operasi.
Seberapa akurat prediksi BMI?
Model HistGradientBoosting menghasilkan root mean square error (RMSE) sebesar 1,11 kg/m² dan mean absolute error (MAE) sebesar 0,62 kg/m² dalam validasi antar-klinik.
Ketika diuji pada kohort eksternal dari Linköping, Swedia, performanya tetap relatif konsisten: RMSE 1,12 kg/m² dan MAE 0,63 kg/m².
Hasil ini menunjukkan bahwa model mampu memperkirakan perjalanan BMI dengan tingkat kesalahan yang relatif rendah dalam populasi penelitian.
Namun, angka tersebut bukan berarti AI dapat mengetahui berat badan pasien secara pasti. Prediksi tetap memiliki ketidakpastian dan sangat bergantung pada karakteristik populasi tempat model dikembangkan dan diuji.
Bagaimana dengan remisi diabetes?
Bagian yang paling menarik adalah prediksi diabetes tipe 2.
Model XGBoost menghasilkan Macro F1 score 0,88 dalam validasi dan 0,89 pada pengujian eksternal. Nilai ini menggambarkan kemampuan model dalam melakukan klasifikasi secara seimbang, termasuk mengenali pasien yang mengalami remisi dan yang tidak mengalami remisi.
Peneliti juga menemukan sesuatu yang penting.
Ketika model hanya menggunakan karakteristik awal pasien, kemampuan diskriminasinya lebih rendah. Setelah perjalanan BMI yang diprediksi dimasukkan, nilai C-index meningkat dari 0,93 menjadi 0,95.
Artinya, perkembangan berat badan setelah operasi memberikan informasi tambahan dalam memperkirakan kemungkinan remisi diabetes.
Mengapa perjalanan berat badan penting?
Selama ini keberhasilan operasi sering disederhanakan menjadi pertanyaan:
“Berapa kilogram berat badan yang hilang?”
Padahal respons pasien tidak selalu sama.
Dua pasien dapat menjalani operasi yang sama tetapi mengalami perjalanan berat badan dan respons metabolik yang berbeda.
Pasien pertama mungkin mengalami penurunan BMI yang cepat dan kemudian stabil.
Pasien kedua mungkin mengalami penurunan yang lebih lambat atau kembali mengalami kenaikan berat badan.
Perbedaan perjalanan tersebut dapat memberikan informasi mengenai respons metabolik pasien.
Penelitian ini mencoba memanfaatkan informasi tersebut secara sistematis.
Dengan demikian, AI tidak sekadar menghitung hasil akhir, tetapi mencoba membaca trajektori pasien.
Remisi diabetes bukan sekadar “gula darah turun”
Ada hal penting yang harus dipahami pembaca.
Dalam penelitian ini, remisi diabetes merujuk pada konsep konsensus internasional, yaitu HbA1c di bawah 6,5% yang dipertahankan setidaknya tiga bulan tanpa obat antidiabetes.
Namun, penelitian juga memberikan catatan penting: nilai HbA1c tidak tersedia secara konsisten di seluruh pusat penelitian. Status remisi pada registri peserta dicatat sebagai status biner berdasarkan dokumentasi rumah sakit dan penggunaan obat antidiabetes.
Karena itu, hasil penelitian perlu dibaca secara hati-hati dan tidak boleh diterjemahkan sebagai bukti bahwa AI sudah dapat memastikan seseorang akan “sembuh” dari diabetes.
Istilah yang lebih tepat adalah memprediksi kemungkinan remisi diabetes.
Apa manfaatnya bagi dokter dan pasien?
Jika model semacam ini nantinya telah divalidasi secara lebih luas, penggunaannya berpotensi mengubah cara konseling sebelum operasi.
Dokter tidak hanya dapat menjelaskan manfaat operasi secara umum, tetapi berpotensi memberikan gambaran yang lebih individual mengenai:
- kemungkinan perjalanan BMI;
- kemungkinan remisi diabetes;
- risiko hasil yang kurang optimal;
- kebutuhan pemantauan setelah operasi;
- dan kemungkinan perlunya intervensi tambahan selama perjalanan pasien.
Hal ini sejalan dengan konsep personalized metabolic care.
Namun, AI tetap berfungsi sebagai alat bantu.
Keputusan apakah seorang pasien perlu menjalani operasi metabolic bariatric tetap harus mempertimbangkan kondisi klinis, indikasi operasi, risiko pembedahan, komorbiditas, kesiapan pasien, evaluasi multidisiplin, serta preferensi pasien.
Menarik, tetapi belum berarti siap digunakan di Indonesia
Di sinilah penelitian ini menjadi sangat relevan bagi Indonesia.
Model tersebut dikembangkan menggunakan data pasien dari pusat-pusat di Eropa. Karena itu, performanya tidak dapat langsung diasumsikan sama pada populasi Indonesia.
Perbedaan karakteristik populasi, pola makan, distribusi obesitas, perjalanan diabetes, akses layanan kesehatan, karakteristik klinis pasien, serta praktik tindak lanjut dapat memengaruhi performa model.
Dengan kata lain:
Model AI yang sangat baik di Eropa belum tentu otomatis menjadi model AI yang baik untuk Indonesia.
Diperlukan validasi eksternal pada populasi Asia, termasuk Indonesia, sebelum model semacam ini dapat dipertimbangkan untuk penggunaan klinis yang lebih luas.
Dari prediksi ke clinical decision support
Perkembangan yang ditunjukkan penelitian ini sebenarnya lebih besar daripada sekadar penggunaan AI untuk menghitung risiko.
Jika dikembangkan lebih lanjut, sistem semacam ini dapat menjadi bagian dari clinical decision support system.
Bayangkan sebuah sistem yang menerima data klinis pasien sebelum operasi, kemudian memperbarui prediksinya berdasarkan berat badan, BMI, status diabetes, dan perkembangan pasien setelah operasi.
Prediksi tersebut dapat berubah seiring masuknya data baru.
Konsepnya bukan:
AI memberikan satu jawaban sebelum operasi.
Melainkan:
AI memperbarui estimasi berdasarkan perjalanan pasien.
Inilah arah yang menarik dari perkembangan dynamic prediction dalam pelayanan kesehatan.
Tetapi ada batas yang tidak boleh dilupakan
Penelitian ini merupakan studi retrospektif, bukan uji klinis prospektif.
Selain itu, jumlah pasien yang memiliki data pada periode tindak lanjut panjang semakin berkurang. Dari 9.652 pasien pada awal analisis, data yang tersedia pada titik lima tahun hanya 441 pasien.
Karena itu, prediksi lima tahun harus dibaca dengan memperhatikan jumlah data yang tersedia pada periode tersebut.
Model juga belum otomatis mencakup seluruh faktor yang dapat memengaruhi perjalanan diabetes seseorang, dan keterbatasan data HbA1c antar-pusat menjadi faktor penting dalam interpretasi hasil.
Dengan demikian, penelitian ini lebih tepat dipandang sebagai bukti bahwa pendekatan machine learning tersebut menjanjikan, bukan sebagai bukti bahwa AI sudah dapat menentukan secara pasti masa depan setiap pasien.
Apa arti penelitian ini bagi masa depan metabolic bariatric surgery?
Perkembangan metabolic bariatric surgery tampaknya bergerak menuju pendekatan yang semakin individual.
Era berikutnya bukan hanya:
“Operasi mana yang paling efektif?”
Tetapi juga:
“Untuk pasien tertentu, operasi mana yang memberikan kemungkinan hasil metabolik terbaik?”
Dan pertanyaan berikutnya:
“Bagaimana kita dapat mengetahui lebih awal apakah respons pasien sesuai dengan yang diperkirakan?”
AI berpotensi menjadi salah satu alat untuk menjawab pertanyaan tersebut.
Penelitian Ochs dan kolega menunjukkan bahwa perjalanan BMI setelah operasi dapat dimanfaatkan bersama karakteristik awal pasien untuk meningkatkan prediksi remisi diabetes tipe 2. Model tersebut mampu memprediksi perjalanan BMI hingga lima tahun dan menunjukkan performa yang kuat dalam validasi internal maupun pengujian eksternal.
Namun, perjalanan menuju penggunaan klinis masih panjang.
Model harus divalidasi pada populasi yang lebih beragam, termasuk populasi Asia dan Indonesia. Selain itu, diperlukan penelitian prospektif untuk memastikan apakah prediksi tersebut benar-benar meningkatkan keputusan klinis dan hasil pasien.
Kesimpulan
Operasi metabolic bariatric sedang memasuki fase baru.
Jika sebelumnya keberhasilan operasi terutama dinilai dari penurunan berat badan dan perbaikan penyakit penyerta, perkembangan machine learning membuka kemungkinan untuk memperkirakan perjalanan pasien secara individual.
Studi yang diterbitkan dalam BJS Open pada 2026 menunjukkan bahwa model machine learning dapat memprediksi perjalanan BMI setelah operasi serta memperkirakan kemungkinan remisi diabetes tipe 2. Memasukkan perjalanan BMI ke dalam model juga meningkatkan kemampuan prediksi dibandingkan penggunaan data awal pasien saja.
Tetapi AI belum menggantikan dokter.
Untuk saat ini, posisi yang paling tepat adalah AI sebagai alat bantu prediksi dan pengambilan keputusan klinis, sementara keputusan terapi tetap berada pada dokter dan tim multidisiplin bersama pasien.
Bagi Indonesia, tantangan berikutnya bukan sekadar menggunakan AI yang dibuat di luar negeri.
Tantangannya adalah membangun data metabolic bariatric Indonesia yang berkualitas sehingga suatu hari dokter dapat menjawab pertanyaan yang jauh lebih spesifik:
“Dengan kondisi pasien seperti ini, seberapa besar kemungkinan diabetesnya mengalami remisi setelah operasi—dan bagaimana kita dapat meningkatkan peluang tersebut?”
Itulah titik ketika operasi metabolic bariatric benar-benar bergerak dari pendekatan berbasis rata-rata populasi menuju personalized metabolic medicine.
Sumber ilmiah utama
Ochs, V., Kollmann, L., Rosenblum, I., Poljo, A., Heule, A., Enodien, B., et al. (2026). Development of a predictive model for postoperative body mass index and diabetes outcomes after metabolic bariatric surgery: Retrospective cohort study. BJS Open, 10(4), zrag054. https://doi.org/10.1093/bjsopen/zrag054.
Publikasi daring: 3 Juli 2026.
Edisi jurnal: Volume 10, Issue 4, Agustus 2026.
Kata kunci: metabolic bariatric surgery, bariatric surgery, artificial intelligence, machine learning, diabetes remission, BMI prediction, personalized medicine.
