Optimized Gas Sensor Array Using an Informative Scoring-Based Filter Algorithm to Enhance the Performance of an Electronic Nose System for Non-invasive Neonatal Sepsis Detection

Kombo Othman Kombo, Prof. Dr. Eng. Kuwat Triyana, M.Si.;Wahyono, S.Kom., Ph.D.;Prof. dr. Madarina Julia, Sp.A(K), M.P.H., Ph.D.

2025 | Disertasi | S3 Ilmu Fisika

Sepsis neonatal merupakan salah satu penyebab utama morbiditas dan mortalitas pada bayi baru lahir, yang secara signifikan berkontribusi terhadap beban kesehatan global. Secara tradisional, kultur darah telah menjadi standar emas dalam pengujian sepsis neonatal. Namun, metode ini bersifat invasif, memakan waktu, dan memiliki tingkat keberhasilan yang rendah. Penelitian ini memperkenalkan sebuah perangkat portabel fecalyzer (cNose) yang mengintegrasikan sensor gas semikonduktor berbahan dasar timah dioksida dengan algoritma pembelajaran mesin untuk mendeteksi sepsis neonatal secara langsung di sisi tempat tidur pasien, guna mempermudah diagnosis di titik layanan. Sistem ini diterapkan di salah satu rumah sakit umum di Sleman, Indonesia, dengan menggunakan pengujian pola feses. Empat model pembelajaran mesin, yaitu Linear Discriminant Analysis (LDA), Decision Tree, Random Forest, dan Extreme Gradient Boosting, dievaluasi untuk mengidentifikasi sistem dengan kinerja paling stabil berdasarkan 347 sampel feses, yang terdiri atas 197 kasus positif sepsis dan 150 kasus negatif. Sebuah algoritma filter berbasis skor informatif yang inovatif digunakan untuk mengoptimalkan kinerja sistem melalui penyempurnaan array sensor. Integrasi metode seleksi fitur ini dengan model LDA menghasilkan pengurangan sensor sebesar 22?lam sistem cNose, dari 9 menjadi 7 sensor, tanpa mengorbankan kinerja klasifikasi. Dalam validasi silang menggunakan data pelatihan, model LDA dengan 9 sensor mencapai akurasi 92,28%, sensitivitas 90,36%, dan spesifisitas 95,41%. Subset 7 sensor juga menunjukkan hasil yang sebanding, dengan akurasi 91,18%, sensitivitas 89,14%, dan spesifisitas 94,42%. Untuk data pengujian, konfigurasi 9 sensor menghasilkan akurasi 86,67%, sensitivitas 87,30%, spesifisitas 85,71%, nilai prediksi positif (PPV) sebesar 90,16%, dan nilai prediksi negatif (NPV) sebesar 81,82%. Menariknya, subset 7 sensor yang telah dioptimasi memberikan hasil terbaik secara keseluruhan, dengan akurasi, sensitivitas, dan spesifisitas sebesar 90,48%, PPV sebesar 93,44%, dan NPV sebesar 86,36%. Selain itu, analisis Gas Chromatography Mass Spectrometry (GC-MS) dilakukan untuk memvalidasi temuan dari cNose. Beberapa senyawa organik volatil seperti asam heksanoat, asam 2-metilbutirat, etil asetat, dan etanol ditemukan meningkat pada sampel sepsis positif, yang menegaskan signifikansi klinis dari profil gas feses. Hasil ini menunjukkan bahwa sistem cNose berpotensi menjadi alat diagnostik non-invasif, praktis, dan tepat waktu untuk deteksi dini sepsis neonatal dalam lingkungan layanan kesehatan.

Neonatal sepsis is a leading cause of illness and mortality in newborns, significantly contributing to the worldwide health burden. Traditionally, blood culture has been the gold standard for neonatal sepsis testing. However, it is invasive, time-consuming, and has a low positivity rate. This study introduced a portable fecalyzer (cNose), which integrated tin dioxide semiconductor gas sensors with machine learning algorithms to detect neonatal sepsis directly at the bedside for convenient point-of-care diagnosis. The system was applied in a public hospital in Sleman, Indonesia, using fecal pattern testing. Four machine learning models, including linear discriminant analysis (LDA), decision tree, random forest, and extreme gradient boosting, were evaluated to identify the most stable-performing system using a total of 347 fecal samples, consisting of 197 positive sepsis cases and 150 negative sepsis cases. A novel informative scoring-based filter algorithm was employed to enhance the system performance through sensor array optimization. Integrating this feature selection method with the LDA model led to a 22% reduction in sensors used in the cNose system, dropping from 9 to 7, while still achieving high classification performance. In cross-validation using the training dataset, the LDA model with the 9-sensor subset reached an accuracy of 92.28%, with sensitivity at 90.36% and specificity at 95.41%. Similarly, the 7-sensor subset delivered comparable results, yielding 91.18?curacy, 89.14% sensitivity, and 94.42% specificity. For the testing dataset, the 9-sensor setup produced an accuracy of 86.67%, a sensitivity of 87.30%, and specificity of 85.71%, a positive predictive value (PPV) of 90.16%, and a negative predictive value (NPV) of 81.82%. Remarkably, the optimized 7-sensor subset achieved the best overall results, recording 90.48?curacy, sensitivity, and specificity, with a PPV of 93.44% and an NPV of 86.36%. Furthermore, gas chromatography mass spectrometry was conducted to validate the findings of the cNose. Several volatile organic compounds, such as hexanoic acid, 2-methylbutyric acid, ethyl acetate, and ethanol, were found to be elevated in positive sepsis samples, underscoring the clinical significance of the fecal gas profiles. These results demonstrate the feasibility of the cNose system as a practical, non-invasive, and timely diagnostic tool for the early detection of neonatal sepsis in healthcare settings.

Kata Kunci : Neonatal sepsis, cNose, filter algorithm, machine learning algorithms