Sebuah terobosan signifikan di persimpangan kecerdasan buatan (AI) dan kesehatan global telah muncul, di mana para peneliti berhasil mengembangkan model deep learning yang mampu memprediksi obesitas pada orang dewasa melalui analisis data kebugaran fisik. Inovasi ini menawarkan presisi prediktif yang belum pernah ada sebelumnya, memberikan wawasan penting mengenai faktor-faktor pendorong epidemi obesitas yang terus menjadi tantangan kesehatan masyarakat di seluruh dunia.
Model deep learning sekuensial yang baru dikembangkan ini, seperti yang dirinci dalam International Journal of Obesity, memanfaatkan kumpulan data representatif secara nasional untuk mengidentifikasi individu yang berisiko. Studi yang dipimpin oleh Li, Sung, Zhang, dan rekan-rekannya ini menjawab kebutuhan mendesak akan alat prediktif yang melampaui pengukuran antropometri tradisional, dengan mengintegrasikan variabel kebugaran multidimensional yang lebih akurat mencerminkan kondisi fisiologis seseorang.
Berbeda dengan pendekatan statistik konvensional yang seringkali hanya mengandalkan parameter statis seperti indeks massa tubuh (BMI), model ini memanfaatkan urutan waktu dari pengukuran kebugaran fisik. Pendekatan ini mampu menangkap pola dinamis yang dapat menjadi pertanda awal timbulnya obesitas. Hasilnya adalah kerangka prediktif yang tidak hanya meramalkan risiko obesitas dengan akurasi lebih tinggi, tetapi juga memberikan interpretasi, sebuah fitur yang seringkali absen dalam model pembelajaran mesin yang kompleks.
Obesitas merupakan masalah kesehatan masyarakat yang serius secara global, dengan lebih dari 2,1 miliar orang di seluruh dunia mengalami kelebihan berat badan atau obesitas, setara dengan hampir 30% populasi global. Jika tren saat ini berlanjut, angka tersebut diperkirakan dapat meningkat menjadi 41% pada tahun 2030. Di Indonesia, prevalensi obesitas telah meningkat lebih dari dua kali lipat dalam dua dekade terakhir. Pada tahun 2000, sekitar 3% orang dewasa mengalami kelebihan berat badan, dan kini angka tersebut melebihi 10%. Pusat-pusat perkotaan seperti Jakarta dan Surabaya menunjukkan peningkatan tertinggi dalam tingkat obesitas. Lebih dari 15% anak-anak dan remaja berusia 5-19 tahun di Indonesia juga terdampak masalah kelebihan berat badan dan obesitas.
Penerapan AI dalam prediksi dan manajemen obesitas sangat menjanjikan. Model AI, seperti DeepHealthNet, dapat memprediksi risiko obesitas dengan akurasi tinggi melalui analisis data demografi, pola makan, dan aktivitas fisik. Hal ini memungkinkan alokasi sumber daya yang lebih baik dan strategi intervensi dini. Perangkat yang dapat dikenakan (wearable devices) seperti jam tangan pintar dan pelacak kebugaran, berperan krusial dalam mengumpulkan data real-time tentang tingkat aktivitas harian, konsumsi kalori, dan pola tidur. Data ini kemudian dianalisis oleh AI untuk memberikan umpan balik yang dipersonalisasi.
Para ilmuwan di Northwestern University, misalnya, telah mengembangkan algoritma baru yang memungkinkan jam tangan pintar memantau kalori yang terbakar oleh penderita obesitas secara lebih akurat selama berbagai aktivitas fisik, mencapai akurasi lebih dari 95% dalam situasi dunia nyata. Model deep learning juga telah menunjukkan keunggulannya dalam prediksi obesitas dibandingkan metode machine learning tradisional. Beberapa studi bahkan menunjukkan algoritma machine learning mencapai akurasi tinggi, seperti model Random Forest yang mencapai 100% dalam satu penelitian, dan Decision Tree dengan 98,33% dalam studi lain.
Selain prediksi, AI juga dapat memberikan rekomendasi yang dipersonalisasi untuk diet dan olahraga, serta dukungan psikologis melalui chatbot. Integrasi AI ini menandai pergeseran paradigma dari pengobatan reaktif menuju pencegahan proaktif berbasis data. Di Indonesia, Kementerian Kesehatan berupaya serius untuk menjaga prevalensi obesitas tetap di angka 21,8% hingga akhir tahun 2024, melalui berbagai program pencegahan dan pemberdayaan masyarakat.