Latar belakang: Pasien gagal jantung sering mengalami readmisi dengan tingkat mortalitas yang tinggi sehingga diperlukan deteksi dini dan tatalaksana yang tepat untuk memperbaiki prognosis. Resiko rawat inap akibat gagal jantung bahkan lebih meningkat pada pasien diabetes mellitus (DM) tipe 2, yaitu 1.5x lebih tinggi. Menggunakan kecerdasan buatan, dapat dilakukan integrasi antara data klinis dengan pemeriksaan penunjang seperti EKG dan rontgen thorax. Selain itu, kecerdasan buatan juga dapat membantu diagnosis di bidang kardiovaskular tanpa adanya variabilitas antar pengamat, serta meningkatkan efisiensi waktu dan biaya.Tujuan: Penelitian ini bertujuan untuk membandingkan kemampuan kecerdasan buatan dengan statistik konvensional dalam memprediksi luaran klinis lama rawat, readmisi 30 hari, mortalitas 180 hari, dan luaran gabungan pada pasien gagal jantung dekompensasi akut (GJDA) dengan penurunan fraksi ejeksi dan DM tipe 2.Metode: Dilakukan studi kohort retrospektif terhadap pasien GJDA dengan penurunan fraksi ejeksi dan DM tipe 2 pada periode Januari 2018 – Maret 2023. Dilakukan analisis data menggunakan statistik konvensional dengan analisis bivariat dan multivariat, dimana hasilnya kemudian dibandingkan dengan analisis menggunakan algoritme kecerdasan buatan, yaitu Balanced Random Forest.Hasil: Melalui rekam medis, didapatkan 292 subjek penelitian dengan persentase lama rawat >5 hari, readmisi 30 hari, mortalitas 180 hari, dan luaran gabungan yang diobservasi adalah 39.7%, 14.0%, 10.6%, dan 21.2% berturut-turut. Kemampuan diskriminasi kecerdasan buatan lebih baik dibandingkan statistik konvensional untuk keempat luaran, dengan AUC lama rawat >5 hari adalah 0.800 vs 0.775, readmisi 0.790 vs 0.732, mortalitas 0.794 vs 0.785, dan luaran gabungan 0.628 vs 0.596.Kesimpulan: Kecerdasan buatan lebih baik dibandingkan statistik konvensional untuk memprediksi luaran klinis berupa lama rawat, readmisi 30 hari, mortalitas 180 hari, dan luaran gabungan pada pasien GJDA dengan penurunan fraksi ejeksi dan DM tipe 2.

---

Background: Heart failure patients often experience readmissions with a high mortality rate, therefore early detection and appropriate management are required to improve the prognosis. The risk of hospitalization due to heart failure is increased 1.5x in type 2 diabetes mellitus (DM) patients. Using artificial intelligence, clinical data can be integrated with supporting examinations such as ECG and chest X-ray. Artificial intelligence can also help diagnoses in the cardiovascular field without inter-observer variability, as well as increasing time and cost efficiency.

Objective: This study aims to compare the ability of conventional statistics with artificial intelligence in predicting clinical outcomes, namely length of stay, 30-day readmission, 180- day mortality, and composite outcome in acute decompensated heart failure (ADHF) patients with reduced ejection fraction and type 2 DM.

Methods: A retrospective cohort study was conducted on 292 ADHF patients with reduced ejection fraction and type 2 DM in the period January 2018 – March 2023. Data analysis was carried out using conventional statistics with bivariate and multivariate analysis, where the results were then compared with analysis using artificial intelligence algorithm, namely Balanced Random Forest.

Results: The percentages of outcomes observed for length of stay >5 days, 30 day readmission, 180 day mortality, and composite outcome were 39.7%, 14.0%, 10.6%, and 21.2% respectively. The discrimination ability of artificial intelligence was better than conventional statistics for all four outcomes, with the AUC of length of stay >5 days were 0.800 vs 0.775, readmission 0.790 vs 0.732, mortality 0.794 vs 0.785, and combined outcome 0.628 vs 0.596.

Conclusion: Artificial intelligence is better than conventional statistics in predicting clinical outcomes in the form of length of stay, 30-day readmission, 180-day mortality, and composite outcome in ADHF patients with reduced ejection fraction and type 2 DM.