AI dan Matematik: Gabungan Pintar Menentang Wabak Global

Penulis: Prof. Madya Ts Dr. Saratha Sathasivam¹ & Muraly Velavan A/L Doraisamy²

¹Pensyarah Kanan, Pusat Pengajian Sains Matematik, Universiti Sains Malaysia (USM)
²School of General and Foundation Studies, AIMST University, Bedong, Kedah

Pada era globalisasi tanpa sempadan, masyarakat global berhadapan dengan cabaran berterusan daripada pelbagai ancaman penyakit berjangkit, termasuk influenza, COVID-19, serta kemunculan patogen baharu yang berpotensi untuk tersebar secara pantas. Tindakan segera oleh pihak berkuasa kesihatan awam menjadi kritikal semasa kejadian wabak, bagi mengawal penularan, melindungi populasi, dan memastikan kelangsungan sistem penjagaan kesihatan. Bagaimanapun, proses membuat keputusan strategik dalam situasi sedemikian adalah kompleks, memandangkan keperluan untuk menimbangkan pelbagai pemboleh ubah seperti ketersediaan vaksin, kos intervensi perubatan, dinamik kadar penularan penyakit, dan respons tingkah laku komuniti.

Dalam konteks ini, teknologi kecerdasan buatan (AI) telah muncul sebagai instrumen yang signifikan. Dengan memanfaatkan keupayaan AI yang digabungkan dengan model matematik yang canggih, penyelidik kini dapat membuat ramalan tentang trajektori penyebaran penyakit, menganggarkan risiko kemunculan wabak, dan merumuskan cadangan strategi intervensi yang optimum bagi mencegah eskalasi situasi.

Penularan penyakit berjangkit secara amnya berlaku melalui interaksi antara individu yang dijangkiti dengan individu yang terdedah. Tanpa kawalan yang berkesan, peningkatan kes boleh berlaku secara eksponen dalam tempoh yang singkat. Untuk memahami dinamik penularan dalam populasi, penyelidik kerap menggunakan model matematik yang mensimulasikan mekanisme penyebaran penyakit.

Model epidemiologi konvensional lazimnya mengklasifikasikan populasi kepada tiga kategori utama: individu rentan (susceptible), individu yang telah dijangkiti (infected), dan individu yang telah pulih atau kebal (recovered). Model SVIER ialah model matematik epidemiologi yang digunakan untuk menggambarkan penyebaran penyakit berjangkit dengan membahagikan populasi kepada lima kumpulan utama iaitu Susceptible (mudah dijangkiti), Vaccinated (divaksin), Infected (dijangkiti), Exposed (terdedah kepada penyakit) dan Recovered (sembuh). Dalam bidang kecerdasan buatan, model ini digabungkan dengan teknologi AI untuk menganalisis data wabak secara masa nyata dan meramalkan corak penyebaran penyakit dengan lebih tepat. AI membantu mengemaskini parameter seperti kadar jangkitan, kadar vaksinasi dan kadar pemulihan secara automatik berdasarkan data sebenar seperti jumlah kes harian, pergerakan penduduk dan keberkesanan vaksin. Dengan gabungan AI dan model SVIER, pihak kesihatan dapat merancang strategi kawalan wabak yang lebih cekap seperti menentukan masa terbaik untuk vaksinasi, mengurangkan risiko jangkitan dan membantu kerajaan membuat keputusan pantas semasa krisis kesihatan awam

AI membolehkan sistem komputer untuk ‘belajar’ daripada set data. Dalam sektor kesihatan, aplikasi AI berupaya memproses dan menganalisis sejumlah besar data rekod penyakit dengan kecekapan tinggi, seterusnya mengenal pasti corak epidemiologi yang mungkin tidak dapat dikesan melalui analisis manual. Sebagai ilustrasi, sekiranya berlaku peningkatan mendadak dalam kes di lokasi tertentu, AI mampu mengesan anomali ini pada peringkat awal, justeru menyediakan amaran proaktif kepada pihak berkuasa kesihatan awam.

Selain daripada itu, AI juga berpotensi untuk menyokong ramalan peningkatan kes penyakit, identifikasi kawasan berisiko tinggi, cadangan strategi vaksinasi yang berkesan, dan pengoptimuman peruntukan sumber kesihatan. Kegunaan teknologi ini adalah signifikan, memandangkan sifat wabak penyakit yang dinamik, yang dipengaruhi oleh faktor temporal, bermusim, dan corak pergerakan populasi.

Vaksinasi telah diiktiraf sebagai salah satu strategi intervensi yang paling signifikan dalam mencegah penyebaran penyakit berjangkit dalam populasi. Namun demikian, pelaksanaan program vaksinasi memerlukan perancangan strategik yang teliti. Kelewatan dalam pelaksanaan vaksinasi berpotensi mengakibatkan penyebaran patogen secara meluas. Sebaliknya, pengagihan sumber tanpa optimisasi boleh menyebabkan peningkatan perbelanjaan yang tidak efisien. Justeru, penyelidik telah mengaplikasikan model matematik bersama teknologi kecerdasan buatan (AI) untuk mengenalpasti strategi vaksinasi yang optimum. Penemuan terkini menyokong hipotesis bahawa usaha vaksinasi pada peringkat awal dapat meredakan beban ke atas sistem penjagaan kesihatan dan menhalang kadar penularan epidemik.

Antara ciri utama teknologi kecerdasan buatan (AI) adalah kapasitinya untuk menyesuaikan diri dengan dinamik persekitaran semasa. Sistem yang dibangunkan pada masa kini tidak hanya bergantung kepada set data sedia kala, sebaliknya mampu mengintegrasikan dan mengemas kini maklumat secara berterusan apabila data baharu diperoleh. Hal ini membolehkan AI mengubah suai cadangan strategik secara automatik. Pendekatan ini, yang dirujuk sebagai sistem “adaptif”, mencerminkan kemampuannya untuk mempelajari dan berevolusi sejajar dengan perubahan dalam konteks realiti.

Pembangunan model epidemiologi lazimnya memerlukan pengiraan matematik yang sangat kompleks. Justeru, sistem pengkomputeran berkapasiti tinggi diaplikasikan untuk melaksanakan simulasi memori tinggi dalam jangka masa yang efisien.

Dapatan daripada simulasi menyediakan landasan yang kukuh bagi pihak berkuasa untuk merumuskan keputusan yang berinformasi dan berasaskan prinsip saintifik. Secara amnya, aplikasi kecerdasan buatan (AI) dalam sektor kesihatan menawarkan pelbagai kelebihan signifikan kepada komuniti. Ini termasuk keupayaan untuk identifikasi permulaan wabak pada fasa awal, mempercepatkan proses penggubalan polisi, meningkatkan keberkesanan kempen vaksinasi, serta potensi untuk mengurangkan perbelanjaan berkaitan penjagaan kesihatan.

Di luar konteks penyakit berjangkit, kerangka sistem sebegini memiliki potensi aplikasi yang luas, meliputi pengurusan pelbagai penyakit seperti denggi, patogen bawaan udara, serta ancaman wabak baharu yang mungkin timbul.

Walaupun kecerdasan buatan menyumbang kepada peningkatan kecekapan, wujud beberapa kekangan signifikan yang perlu ditangani. Antara halangan utama termasuk isu ketersediaan data yang tidak mencukupi, perbelanjaan pembangunan dan penyelenggaraan sistem yang tinggi, kebimbangan mengenai privasi maklumat kesihatan, dan keperluan untuk menyediakan program latihan berstruktur kepada kakitangan.

Menjelang masa hadapan, teknologi kecerdasan buatan dijangka akan menjadi komponen kritikal dalam ekosistem kesihatan global. Kombinasi inovasi telefon pintar, analisis data masa nyata, serta pembelajaran mesin berpotensi untuk membolehkan pengesanan wabak pada peringkat awal.

Penggunaan AI bukan sahaja membantu mengurangkan jumlah jangkitan, malah membolehkan vaksin dan sumber kesihatan digunakan secara lebih cekap. Dalam dunia yang sentiasa berubah, gabungan teknologi dan sains ini memberi harapan baharu dalam melindungi masyarakat daripada wabak penyakit pada masa hadapan.

Penulis merakamkan setinggi-tinggi penghargaan kepada editor dan para penilai atas saranan serta ulasan bernas yang telah membantu mempertingkat mutu manuskrip ini. Penulis juga merakamkan penghargaan atas sokongan kewangan yang diberikan oleh Universiti Sains Malaysia melalui Skim Geran Bridging (R501-LR-RND003-0000002089-0000).

Rujukan

Brauer, F. (2017). Mathematical epidemiology: Past, present, and future. Infectious Disease Modelling, 2(2), 113–127. https://doi.org/10.1016/j.idm.2017.02.001  Kermack, W. O., & McKendrick, A. G. (1927). A contribution to the mathematical theory of epidemics. Proceedings of the Royal Society A, 115(772), 700–721. https://doi.org/10.1098/rspa.1927.0118

Norrulashikin, M. A., Yusof, F., Hanafiah, N. H. M., & Norrulashikin, S. M. (2021). Modelling monthly influenza cases in Malaysia. PLOS ONE, 16(7), e0254137. https://doi.org/10.1371/journal.pone.0254137

Wan Puteh, S. E., Aazmi, M. S., Aziz, M. N., Kamarudin, N. A., Sam, J. I. C., Thayan, R., Sekawi, Z., et al. (2024). Cross-sectional study of influenza trends and costs in Malaysia between 2016 and 2018. PLOS ONE, 19(3), e0301068. https://doi.org/10.1371/journal.pone.0301068

World Health Organization. (2023). Influenza situation updates – Malaysia. https://www.who.int/