Latar Belakang & Tujuan
Kanker prostat merupakan penyebab keenam terbanyak kematian terkait kanker pada pria secara global, seringkali teridentifikasi sebagai keganasan sekunder. Deteksi dini dan manajemen yang tepat sangat krusial untuk meningkatkan harapan hidup pasien. Dalam konteks prognosis dan manajemen, model prediksi berbasis kecerdasan buatan (Artificial Intelligence/AI) semakin banyak digunakan. Namun, aplikasinya belum meluas secara signifikan karena pemahaman yang belum jelas mengenai kinerja prediktifnya. Oleh karena itu, tinjauan sistematis dan meta-analisis ini bertujuan untuk mengevaluasi kinerja prediktif terpadu (pooled predictive performances) model-model ini menggunakan metrik Area Under the Curve (AUC) pada berbagai titik akhir prediksi, meliputi luaran keseluruhan (Overall Survival/OS), luaran bebas progresi (Progression-Free Survival/PFS), toksisitas atau kualitas hidup (Toxicity or Quality of Life/TQL), rekurensi metastasis jauh (Recurrence Distance Metastasis/RDM), dan respons pengobatan (Treatment Response/TR).
Metodologi Riset
Penelitian ini dirancang sebagai tinjauan sistematis dan meta-analisis, mengikuti kriteria Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA), dengan protokol yang telah didaftarkan di PROSPERO (CRD42025611480). Pencarian literatur dilakukan secara sistematis pada basis data PubMed dan Scopus untuk mengidentifikasi studi yang melaporkan model prediksi untuk luaran kanker prostat. Kriteria inklusi berfokus pada studi yang menyediakan data mengenai model prediksi tersebut. Kualitas metodologis studi yang memenuhi syarat dinilai menggunakan Prediction Model Quality Score (PMQS). Untuk analisis meta-regresi, kami melakukan meta-analisis efek acak (random-effects meta-analysis) dengan menggabungkan nilai AUC untuk setiap titik akhir prediksi. Heterogenitas antar studi dinilai menggunakan statistik I², τ², dan Q. Potensi bias publikasi dievaluasi melalui plot corong (funnel plots), uji regresi Egger, dan metode trim-and-fill.
Hasil & Temuan Utama
Dari total 144 studi yang memenuhi kriteria kelayakan untuk tinjauan sistematis, 85 studi di antaranya diikutsertakan dalam meta-analisis. Hasil meta-analisis menunjukkan kinerja prediktif yang baik secara keseluruhan. Nilai AUC terpadu (pooled AUC) untuk semua titik akhir prediksi adalah 0,808 untuk OS, 0,792 untuk PFS, 0,845 untuk RDM, 0,835 untuk TR, dan 0,805 untuk TQL. Angka-angka ini secara konsisten mengindikasikan kemampuan diskriminasi yang kuat dari model-model prediksi yang dievaluasi. Analisis plot corong tidak menunjukkan asimetri signifikan, menunjukkan tidak adanya bias publikasi yang substansial. Secara keseluruhan, model-model yang dievaluasi dalam tinjauan ini menunjukkan akurasi lebih dari 75% dalam memprediksi luaran kanker prostat, meskipun dengan variasi kinerja di antara titik akhir prediksi yang berbeda.
Diskusi & Implikasi Klinis
Temuan dari meta-analisis ini menegaskan bahwa model prediksi, khususnya yang memanfaatkan AI, memiliki kapasitas yang substansial dalam memprediksi berbagai luaran pada pasien kanker prostat. Nilai AUC terpadu yang secara konsisten di atas 0,79, dan bahkan mencapai 0,845 untuk RDM, menunjukkan bahwa model-model ini dapat menjadi alat yang berharga untuk stratifikasi risiko, perencanaan pengobatan yang dipersonalisasi, dan pemantauan respons terapi. Kinerja yang bervariasi antar titik akhir (misalnya, RDM menunjukkan AUC tertinggi dibandingkan PFS) menggarisbawahi pentingnya memilih model yang tepat sesuai dengan tujuan klinis spesifik. Meskipun demikian, untuk memastikan reproduktibilitas dan translasi klinis yang optimal, diperlukan pelaporan model yang terstandardisasi dan validasi eksternal yang robust. Studi ini mengisi kekosongan pengetahuan mengenai kinerja terpadu model-model AI dalam kanker prostat, memberikan landasan data yang lebih kuat bagi dokter dan peneliti untuk mempertimbangkan implementasinya.
Kesimpulan Akademis
Tinjauan sistematis dan meta-analisis ini secara definitif menunjukkan bahwa model prediksi kanker prostat, terutama yang berbasis kecerdasan buatan, memiliki kinerja prediktif yang kuat dan akurat (dengan AUC terpadu >0,79) untuk berbagai luaran klinis penting. Kemampuan ini menawarkan potensi signifikan dalam meningkatkan deteksi dini, personalisasi terapi, dan prognosis pasien. Namun, untuk integrasi yang sukses ke dalam praktik klinis, pengembangan, pelaporan, dan validasi eksternal model-model ini harus dilakukan dengan standar yang lebih tinggi dan konsisten guna memastikan keandalan dan generalisasi. Riset ini menjadi dasar penting bagi pengembangan dan penerapan model prediksi di masa depan dalam onkologi.
Sumber: Frontiers in oncology, 2026 — Full Paper Access