Oleh Aisyah Kheva As Shabro, mahasiswa D4 Fisioterapi, Fakultas Ilmu Kesehatan dan Teknologi Universitas Binawan
DEPOKPOS – Jatuh merupakan salah satu masalah kesehatan utama yang dihadapi oleh populasi lansia di seluruh dunia. Prevalensi jatuh pada lansia yang tinggal di komunitas mencapai 25%, sedangkan pada kelompok usia lebih dari 75 tahun meningkat hingga 35%. Integrasi pembelajaran mesin (machine learning) dalam bidang fisioterapi telah menunjukkan potensi signifikan dalam meningkatkan akurasi prediksi risiko jatuh.
Penelitian ini bertujuan untuk menganalisis peran machine learning dalam fisioterapi untuk memprediksi risiko jatuh pada lansia. Metode yang digunakan adalah literature review sistematis terhadap jurnal-jurnal ilmiah terkini. Hasil analisis menunjukkan bahwa algoritma machine learning seperti Random Forest, XGBoost, dan LightGBM dapat mencapai akurasi prediksi antara 70% hingga 95% dalam mengidentifikasi lansia berisiko jatuh tinggi.
Integrasi data accelerometrik dari sensor wearable dengan data non-accelerometrik klinis menghasilkan performa model yang lebih superior dibandingkan penggunaan satu jenis data saja. Fisioterapis dapat memanfaatkan teknologi machine learning untuk mengembangkan intervensi berbasis data yang lebih personal dan efektif dalam pencegahan jatuh.
Kesimpulannya, machine learning membuka peluang baru dalam praktik fisioterapi modern untuk meningkatkan keselamatan dan kualitas hidup lansia
PENDAHULUAN
Populasi lansia di seluruh dunia terus meningkat signifikan setiap tahunnya. Peningkatan populasi lansia ini membawa tantangan baru dalam sistem kesehatan, khususnya dalam mengatasi kejadian jatuh yang merupakan penyebab utama disabilitas dan mortalitas pada kelompok usia lanjut (Suhardini et al., 2020).
Jatuh pada lansia tidak hanya berdampak fisik berupa cedera dan fraktur, tetapi juga dampak psikologis seperti depresi, isolasi sosial, dan penurunan kualitas hidup yang signifikan (Park et al., 2025).
Risiko jatuh pada lansia dipengaruhi faktor multifaktorial kompleks yang saling berinteraksi. Faktor intrinsik meliputi perubahan degeneratif muskuloskeletal, gangguan keseimbangan, penurunan kekuatan otot, penyakit kronis (diabetes, hipertensi), gangguan penglihatan dan kognitif, serta polifarmasi (Shalahuddin et al., 2022).
Faktor ekstrinsik mencakup kondisi lingkungan tidak aman, alat bantu tidak tepat, dan pencahayaan kurang. Tingkat aktivitas fisik yang rendah juga menjadi faktor risiko signifikan terjadinya jatuh pada lansia (Rosya et al., 2024).
Fisioterapi tradisional mengandalkan tes fungsional seperti Morse Fall Scale, Timed Up and Go (TUG), dan Berg Balance Scale (BBS) untuk mengidentifikasi risiko jatuh. Namun alat-alat ini memiliki keterbatasan dalam menangkap kompleksitas faktor risiko dan memberikan prediksi akurat untuk setiap individu (Heppy, 2024).
Machine learning mampu menganalisis data multidimensional kompleks, mengidentifikasi pola non-linear, dan membuat prediksi lebih akurat berdasarkan pembelajaran data historis (Wardhana et al., 2023).
Sensor wearable seperti accelerometer dapat mengumpulkan data gerakan real-time yang dianalisis menggunakan algoritma machine learning untuk prediksi risiko jatuh dengan presisi tinggi (Widiyantari et al., 2023).
METODE PENELITIAN
Penelitian ini menggunakan pendekatan SLR (Sistematis Literature Review) menganalisis peran machine learning dalam fisioterapi untuk prediksi risiko jatuh pada lansia. Pencarian literatur dilakukan melalui database terkemuka (Google Scholar, PubMed Central, Scopus, ResearchGate, Portal Garuda) menggunakan kata kunci: “machine learning fall risk prediction elderly”, “fisioterapi risiko jatuh lansia”, “deep learning fall detection”, “artificial intelligence geriatric assessment”, dan “sensor wearable fall prevention”.
Kriteria inklusi mencakup: (1) artikel jurnal peer-reviewed bahasa Indonesia atau Inggris; (2) publikasi tahun 2015-2025; (3) membahas machine learning dalam prediksi risiko jatuh lansia; (4) memiliki data dan hasil penelitian yang jelas; dan (5) artikel dapat diakses penuh dalam format PDF.
Kriteria eksklusi meliputi: (1) review artikel tanpa analisis sistematis; (2) case report dari kasus tunggal; dan (3) artikel fokus pada fall detection setelah jatuh terjadi tanpa prediksi risiko.
Total 25 artikel diidentifikasi melalui pencarian database, sepuluh jurnal berkualitas tertinggi dipilih sebagai referensi utama berdasarkan relevansi dan kualitas metodologi.
Analisis konten mengekstraksi enam informasi penting: (1) karakteristik populasi dan desain penelitian; (2) variabel prediktor yang digunakan; (3) algoritma machine learning dan spesifikasi teknis; (4) metode validasi model yang diterapkan; (5) hasil akurasi, sensitivitas, spesifisitas, AUC; dan (6) implikasi klinis dalam setting fisioterapi praktis. Data disintesis secara tematik berdasarkan tema utama penelitian.
HASIL DAN PEMBAHASAN
Performa Algoritma Machine Learning dan Integrasi Data Multisumber
` Machine learning menunjukkan potensi signifikan meningkatkan akurasi prediksi risiko jatuh dibanding metode tradisional yang konvensional (González-Castro et al., 2025). Algoritma machine learning mampu menganalisis data multidimensional kompleks dan mengidentifikasi pola non-linear yang tidak terdeteksi dalam analisis konvensional. Mishra et al. (2022) menunjukkan model Support Vector Machine (SVM) memprediksi risiko jatuh 6 bulan ke depan dengan akurasi 75%, sensitivitas 82%, spesifisitas 72%, dan AUC 0.80, sementara Park et al. (2025) pada sampel 443 lansia dengan cognitive frailty menggunakan logistic regression mencapai AUC, sensitivitas, spesifisitas, dan akurasi melebihi 96%.
Integrasi data dari berbagai sumber merupakan strategi kunci untuk meningkatkan performa model machine learning dalam prediksi risiko jatuh. González-Castro et al. (2025) membandingkan performa model menggunakan data accelerometrik saja, non-accelerometrik saja, dan kombinasi keduanya dengan hasil model Bayesian ridge regression data gabungan mencapai coefficient of determination (R²) 0.9941, dibandingkan accelerometrik saja (R² 0.8991) atau non-accelerometrik saja (R² 0.7453). Temuan ini menekankan pentingnya pendekatan multisumber data untuk mengembangkan model prediksi risiko jatuh yang robust dan dapat diandalkan dalam konteks klinis.
Variabel Prediktor Penting dan Aplikasi Praktis Klinis
Identifikasi variabel prediktor yang relevan merupakan hal penting dalam pengembangan model machine learning yang efektif dan dapat diterapkan secara klinis. Widiyantari et al. (2023) menggunakan metode SHAP (SHapley Additive exPlanations) menemukan lima fitur penting memprediksi risiko jatuh: Instrumental Activities of Daily Living (IADL), penilaian fungsional, Activities of Daily Living (ADL), usia, dan tekanan darah sistolik. Data gerakan dari sensor accelerometer menunjukkan informasi prediktif yang berharga dengan variabel seperti akselerasi maksimal sumbu anteroposterior, akselerasi RMS maksimal saat berjalan sebagai prediktor signifikan (Shalahuddin et al., 2022; Rosya et al., 2024).
Penerapan machine learning dalam praktik fisioterapi klinis membuka peluang baru untuk pengembangan program intervensi berbasis risiko yang lebih personal dan efektif (Wardhana et al., 2023). Fisioterapis dapat menggunakan model machine learning yang tervalidasi untuk mengidentifikasi lansia berisiko jatuh tinggi dan merancang program latihan spesifik berdasarkan profil risiko individual masing-masing pasien. Sensor wearable yang terintegrasi dengan aplikasi machine learning memungkinkan monitoring berkelanjutan gait, keseimbangan, dan aktivitas fisik lansia di rumah atau fasilitas kesehatan, memberikan feedback real-time dan peringatan dini ketika risiko jatuh meningkat (Nugroho et al., 2024). Program latihan fisioterapi yang didukung machine learning menjadi lebih efisien dan efektif dengan fisioterapis dapat mengidentifikasi komponen latihan relevan individual—fokus pelatihan keseimbangan jika ada penurunan stabilitas gait, kekuatan otot jika pasien mengalami sarcopenia, atau latihan proprioceptive jika ada gangguan sensori (Zalindra et al., 2024).
Tantangan Implementasi dan Prospek Masa Depan
Implementasi machine learning dalam praktik fisioterapi masih menghadapi sejumlah tantangan signifikan yang perlu diatasi untuk implementasi praktis yang sukses. Tantangan utama meliputi ketersediaan data training berkualitas tinggi yang representatif, validasi model pada populasi berbeda dan geografis, integrasi teknologi dalam workflow klinis yang sudah ada di fasilitas kesehatan, dan kebutuhan untuk pelatihan fisioterapis dalam menggunakan tools berbasis AI (Rosya et al., 2024). Selain itu, aspek etika dan keamanan data, privasi data pasien yang sensitif, dan regulasi kesehatan yang mengatur penggunaan AI dalam praktik klinis juga menjadi pertimbangan penting dan kompleks.
Prospek masa depan sangat menjanjikan dengan perkembangan teknologi wearable yang semakin canggih, miniatur, dan terjangkau, algoritma deep learning yang lebih efisien dalam penggunaan komputasi, dan peningkatan kesadaran masyarakat akan pentingnya pencegahan jatuh pada lansia (Shalahuddin et al., 2023). Kolaborasi multidisiplin yang kuat antara fisioterapis, data scientist, engineer biomedis, dan clinician menjadi kunci kesuksesan implementasi machine learning dalam pencegahan jatuh pada lansia.
KESIMPULAN
Machine learning menunjukkan potensi luar biasa untuk meningkatkan akurasi prediksi risiko jatuh lansia dan membuka peluang baru dalam praktik fisioterapi modern yang berbasis teknologi. Integrasi data accelerometrik dari sensor wearable dengan data klinis non-accelerometrik menghasilkan model prediksi yang akurat dan robust dibandingkan penggunaan satu jenis data saja. Algoritma ensemble seperti XGBoost, Random Forest, LightGBM, dan model Bayesian ridge regression terbukti superior dalam konteks data klinis dengan ukuran sampel yang terbatas. Identifikasi variabel prediktor yang relevan menggunakan analisis feature importance membantu fisioterapis menargetkan intervensi spesifik dan personal sesuai profil risiko individual setiap pasien. Penerapan machine learning dalam praktik fisioterapi klinis modern memungkinkan pengembangan program intervensi berbasis risiko yang lebih efektif, monitoring berkelanjutan perubahan status klinis pasien melalui sensor wearable, dan optimalisasi alokasi sumber daya kesehatan untuk pencegahan jatuh pada populasi lansia secara keseluruhan.
