Model Prediksi Preeklampsia di Daerah dengan Sumber Daya Rendah: Tinjauan Sistematik
DOI:
https://doi.org/10.55175/cdk.v51i9.1102Kata Kunci:
Sumber daya rendah, model prediksi, preeklampsiaAbstrak
Mekanisme preeklampsia masih belum diketahui pasti, sehingga saat ini tata laksana definitif adalah diagnosis dini dan terminasi kehamilan. Dibutuhkan model prediksi risiko preeklampsia pada ibu hamil yang dapat diimplementasikan di daerah dengan sumber daya rendah. Model prediksi preeklampsia juga berperan dalam pengambilan keputusan klinis, membantu komunikasi dan edukasi (KIE), serta pertimbangan pemberian profilaksis aspirin. Penelitian ini bertujuan meninjau secara sistematis pengembangan model prediksi preeklampsia di daerah dengan sumber daya rendah. Basis data PubMed, ScienceDirect, dan Wiley Online Library antara Januari 2019 sampai Juni 2023 ditinjau secara sistematis. Identifikasi artikel, penyaringan dan pemilihan artikel yang relevan, serta ekstraksi data artikel dilakukan secara independen oleh penulis dengan mengikuti pedoman PRISMA. Dari 6 artikel yang eligibel, diketahui karakteristik maternal, faktor risiko, dan pemeriksaan fisik. Pemeriksaan laboratorium akan memperbaiki akurasi model prediksi preeklampsia di daerah dengan sumber daya rendah. Pemeriksaan ultrasonografi Doppler dan biomarker secara signifikan dapat meningkatkan sensitivitas dan spesifisitas model prediksi, namun tidak dapat diterapkan secara umum di daerah dengan sumber daya rendah.
Unduhan
Referensi
Magee LA, Brown MA, Hall DR, Gupte S, Hennessy A, Karumanchi SA, et al. The 2021 International Society for the Study of Hypertension in Pregnancy classification, diagnosis & management recommendations for international practice. Pregnancy Hypertens. 2022;27(October 2021):148–69. DOI:10.1016/ j.preghy.2021.09.008.
Khan B, Yar RA, Khakwani A khan, Karim S, Ali HA. Preeclampsia incidence and its maternal and neonatal outcomes with associated risk factors. Cureus 2022 Nov 6;14(11):e31143. DOI: doi: 10.7759/cureus.31143.
Wahyunindita RN, Sari RDP. Severe pre-eclampsia with partial hellp syndrome in Multigravida Preterm Pregnancy. Indones J Glob Heal Res. 2022;4(1):1–8. DOI: 10.37287/ijghr.v4i1.706.
Bisson C, Dautel S, Patel E, Suresh S, Dauer P, Rana S. Preeclampsia pathophysiology and adverse outcomes during pregnancy and postpartum. Front Med (Lausanne). 2023;10:1144170. DOI: 10.3389/fmed.2023.1144170.
Fox R, Kitt J, Leeson P, Aye CYL, Lewandowski AJ. Preeclampsia: Risk factors, diagnosis, management, and the cardiovascular impact on the offspring. J Clin Med. 2019 Oct;8(10):1625. DOI: 10.3390/jcm8101625.
MacDonald TM, Walker SP, Hannan NJ, Tong S, Kaitu’u-Lino TJ. Clinical tools and biomarkers to predict preeclampsia. EBioMedicine. 2022 Jan:75:103780. DOI: 10.1016/j.ebiom.2021.103780.
Awor S, Abola B, Byanyima R, Orach CG, Kiondo P, Kaye DK, et al. Prediction of pre-eclampsia at St. Mary’s hospital lacor, a low-resource setting in northern Uganda, a prospective cohort study. BMC Pregnancy Childbirth 2023 Feb 8;23(1):101. DOI: 10.1186/s12884-023-05420-z.
Shayan A, Sourinejad H, Refaei M, Masoumi SZ, Tapak L, Soltani F. Predictors of preeclampsia based on a 10-year case-control study. J Fam Reprod Heal. 2019 Oct 22;13(1):14.
Chen X, Yuan L, Ji Z, Bian X, Hua S. Development and validation of the prediction models for preeclampsia: A retrospective, single-center, case-control study. Ann Transl Med. 2022 Nov;10(22):1221. DOI: 10.21037/atm-22-4192.
Kadhim AAM, Ali HM, Hameed RH. Analysis of a predictive model of preeclampsia risk in Iraqi women. Int J Health Sci (Qassim). 2022 Sep 13;6(S7):3878–91. DOI: 10.53730/ijhs.v6nS7.12675.
Xue Y, Yang N, Gu X, Wang Y, Zhang H, Jia K. Risk prediction model of early-onset preeclampsia based on risk factors and routine laboratory indicators. Life 2023 Aug 1;13(8):1648. DOI: 10.3390/life13081648.
Kusuma RA, Nurdiati DS, Wilopo SA. Alternatives of risk prediction models for preeclampsia in a low middle-income setting. Open Access Maced J Med Sci. 2022 May 16;10(B):1745–50. DOI:10.3889/oamjms.2022.9030.
Sufriyana H, Handayani L, Yuliana F, Syafi’i T. Potensi modifikasi model PIERS untuk prediksi luaran ibu dengan preeklamsia pada rumah sakit tipe B di Indonesia: Penelitian retrospektif di RSUD Ansari Saleh Banjarmasin, Kalimantan Selatan. Med Heal Sci J. 2018 Apr 28;1(1):32-44. DOI:10.33086/mhsj.v1i1.614.
Ukah UV, Payne B, Hutcheon JA, Ansermino JM, Ganzevoort W, Thangaratinam S, et al. Assessment of the fullPIERS risk prediction model in women with early-onset preeclampsia. Hypertension. 2018;71(4):659–65. DOI: 10.1161/HYPERTENSIONAHA.117.10318.
Sufriyana H, Wu YW, Su ECY. Artificial intelligence-assisted prediction of preeclampsia: Development and external validation of a nationwide health insurance dataset of the BPJS kesehatan in Indonesia. EBioMedicine. 2020;54:102710. DOI: 10.1016/j.ebiom.2020.102710.
Aljameel SS, Alzahrani M, Almusharraf R, Altukhais M, Alshaia S, Sahlouli H, et al. Prediction of preeclampsia using machine learning and deep learning models: A review. Big Data Cogn Comput. 2023;7(1):32. DOI: 10.3390/bdcc7010032.
Al-Rubaie ZTA, Hudson HM, Jenkins G, Mahmoud I, Ray JG, Askie LM, et al. Prediction of pre-eclampsia in nulliparous women using routinely collected maternal characteristics: A model development and validation study. BMC Pregnancy Childbirth 2020 Jan 6;20(1):1–14.
Al-Rubaie ZTA, Askie LM, Hudson HM, Ray JG, Jenkins G, Lord SJ. Assessment of NICE and USPSTF guidelines for identifying women at high risk of pre-eclampsia for tailoring aspirin prophylaxis in pregnancy: An individual participant data meta-analysis. Eur J Obstet Gynecol Reprod Biol. 2018 Oct 1;229:159–66. DOI: 10.1016/j.ejogrb.2018.08.587.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Lucky Pestauli Damanik
Artikel ini berlisensi Creative Commons Attribution-NonCommercial 4.0 International License.
