Jika Anda pernah meminta dokter melakukan tes darah untuk Anda, kemungkinan besar mereka akan melakukan tes darah lengkap atau CBC. Salah satu tes darah paling umum di dunia, tes CBC dilakukan miliaran kali setiap tahun untuk mendiagnosis kondisi dan memantau kesehatan pasien.
Namun meskipun tes ini ada dimana-mana, cara dokter menafsirkan dan menggunakannya di klinik seringkali kurang tepat dari yang ideal. Saat ini, pembacaan tes darah didasarkan pada interval referensi yang seragam dan tidak memperhitungkan perbedaan individu.
Saya seorang ahli matematika di Fakultas Kedokteran Universitas Washington, dan tim saya mempelajari cara menggunakan alat komputasi untuk meningkatkan pengujian darah klinis. Untuk mengembangkan cara yang lebih baik dalam menangkap definisi masing-masing pasien tentang nilai laboratorium “normal”, saya dan rekan kerja di Lab Higgins di Harvard Medical School memeriksa tes hitung darah selama 20 tahun dari puluhan ribu pasien dari pantai Timur dan Barat.
Dalam penelitian kami yang baru diterbitkan, kami menggunakan pembelajaran mesin untuk mengidentifikasi rentang jumlah darah sehat untuk setiap pasien dan memprediksi risiko penyakit di masa depan.
Tes klinis dan hitung darah lengkap
Banyak orang umumnya menganggap uji klinis hanya sebagai diagnostik. Misalnya, tes COVID-19 atau tes kehamilan memberikan hasil positif atau negatif, yang memberi tahu Anda apakah Anda memiliki kondisi tertentu. Namun, sebagian besar tes tidak berjalan seperti ini. Sebaliknya, mereka mengukur sifat biologis yang terus-menerus diatur oleh tubuh Anda agar tetap berada dalam batas-batas tertentu.
Hitung darah lengkap Anda juga merupakan sebuah kontinum. Tes CBC menghasilkan profil rinci sel darah Anda – seperti berapa banyak sel darah merah, trombosit, dan sel darah putih dalam darah Anda. Penanda ini digunakan setiap hari di hampir semua bidang kedokteran.
Misalnya, hemoglobin adalah protein yang mengandung zat besi yang memungkinkan sel darah merah membawa oksigen. Jika kadar hemoglobin Anda rendah, itu mungkin berarti Anda kekurangan zat besi.
Trombosit adalah sel yang membantu membentuk bekuan darah dan menghentikan pendarahan. Jika jumlah trombosit Anda rendah, itu mungkin berarti Anda mengalami pendarahan internal dan tubuh Anda menggunakan trombosit untuk membantu membentuk bekuan darah untuk menyumbat luka.
Sel darah putih adalah bagian dari sistem kekebalan tubuh Anda. Jika jumlah sel darah putih Anda tinggi, itu mungkin berarti Anda mengalami infeksi dan tubuh Anda memproduksi lebih banyak sel tersebut untuk melawannya.
Apa yang Biasa
Namun semua ini menimbulkan pertanyaan: Apa sebenarnya yang dianggap terlalu tinggi atau terlalu rendah dalam tes darah?
Secara tradisional, dokter menentukan apa yang disebut interval referensi dengan mengukur tes darah pada sejumlah orang sehat. Mereka biasanya mengambil 95% bagian tengah dari nilai-nilai sehat ini dan menyebutnya “normal”, dengan nilai di atas atau di bawah berarti terlalu rendah atau tinggi. Kisaran normal ini digunakan hampir di semua tempat dalam pengobatan.
Namun interval referensi menghadapi tantangan besar: Apa yang normal bagi Anda mungkin tidak normal bagi orang lain.
Hampir semua penanda hitung darah dapat diwariskan, artinya genetika dan lingkungan Anda sangat menentukan nilai kesehatan setiap penanda bagi Anda.
Pada tingkat populasi, misalnya, jumlah trombosit normal berkisar antara 150 dan 400 miliar sel per liter darah. Namun tubuh Anda mungkin ingin mempertahankan jumlah trombosit 200 – nilai yang disebut titik setel. Artinya kisaran normal Anda mungkin hanya 150 hingga 250.
Perbedaan antara rentang normal pasien yang sebenarnya dan interval referensi berdasarkan populasi dapat menimbulkan masalah bagi dokter. Mereka mungkin lebih kecil kemungkinannya untuk mendiagnosis suatu penyakit jika titik setel Anda jauh dari batas. Sebaliknya, mereka mungkin menjalankan tes yang tidak perlu jika titik setel Anda terlalu dekat dengan batas akhir.
Menemukan Jangkauannya
Untungnya, banyak pasien melakukan pemeriksaan darah setiap tahun sebagai bagian dari pemeriksaan rutin. Dengan menggunakan model pembelajaran mesin, saya dan tim dapat memperkirakan titik setel jumlah darah untuk lebih dari 50.000 pasien berdasarkan riwayat kunjungan mereka ke klinik. Hal ini memungkinkan kami mempelajari bagaimana tubuh mengatur titik setel ini dan menguji apakah kami dapat membangun cara yang lebih baik untuk mempersonalisasi pembacaan tes laboratorium.
Selama beberapa dekade, kami menemukan bahwa kisaran normal individu sekitar tiga kali lebih kecil dibandingkan pada tingkat populasi. Sebagai contoh, meskipun rentang “normal” untuk jumlah sel darah putih adalah sekitar 4,0 hingga 11,0 miliar sel per liter darah, kami menemukan bahwa rentang individu pada kebanyakan orang jauh lebih sempit, sekitar 4,5 hingga 7, atau 7,5 hingga 10. Ketika kami menggunakan titik setel ini untuk menafsirkan hasil tes baru, yang membantu meningkatkan diagnosis penyakit seperti kekurangan zat besi, penyakit ginjal kronis, dan hipotiroidisme. Kami dapat mencatat ketika hasil seseorang berada di luar rentang pribadinya yang lebih kecil, hal ini berpotensi mengindikasikan adanya masalah, meskipun hasilnya berada dalam rentang normal untuk populasi secara keseluruhan.
Titik setel itu sendiri merupakan indikator kuat untuk risiko pengembangan suatu penyakit di masa depan. Misalnya, pasien dengan titik setel sel darah putih yang tinggi lebih mungkin terkena diabetes tipe 2 di masa depan. Mereka juga hampir dua kali lebih mungkin meninggal karena sebab apa pun dibandingkan dengan pasien serupa yang memiliki jumlah sel darah putih rendah. Penanda hitung darah lainnya juga merupakan prediktor kuat terhadap risiko penyakit dan kematian di masa depan.
Di masa depan, dokter berpotensi menggunakan titik setel untuk meningkatkan skrining penyakit dan cara mereka menafsirkan hasil tes baru. Ini adalah cara yang menarik untuk pengobatan yang dipersonalisasi: menggunakan riwayat kesehatan Anda sendiri untuk menentukan apa sebenarnya arti sehat bagi Anda.
Artikel ini awalnya diterbitkan di The Conversation oleh Brody H. Foy di University of Washington. Baca artikel aslinya di sini.