UNIVERSITAS INDONESIA
TEKNOLOGI INFORMASI OG-miner UNTUK PENCAPIAN MDGs PADA TAHUN 2015 DI INDONESIA.
Disusun Sebagai Tugas Mata Ajar Sistem Informasi Manajemen
Koordinator: Rr.Tutik Sri Hariyati, MARs
DISUSUN OLEH: EKA RIYANTI NIM : 1006749081
PROGRAM STUDI MAGISTER KEPERAWATAN FAKULTAS ILMU KEPERAWATAN UNIVERSITAS INDONESIA 2011
TEKNOLOGI INFORMASI OG-miner UNTUK PENCAPIAN MDGs PADA TAHUN 2015 DI INDONESIA. Eka riyanti 1006749081 ABSTRAK Statistik terbaru dari WHO menunjukkan bahwa sekitar 500.000 perempuan meninggal dunia setiap tahun, mayoritas dari mereka berada di negara berkembang, karena adanya komplikasi kehamilan. Situasinya sangat serius bahwa PBB telah menetapkan target untuk mengurangi Angka Kematian Ibu (AKI) dengan 75% sampai tahun 2015 dalam tujuan milenium perkembangannya (MDGs). Untuk pencapaian MDGs perlu untuk menyediakan solusi kesehatan yang terpadu dengan menggunakan Teknologi Informasi dan alat-alat kesehatan yang canggih yang menyediakan pelayanan antenatal. OG-Miner menggunakan teknik data mining untuk menentukan risiko faktor, yang dapat menyebabkan kematian seorang wanita hamil, atas dasar informasi diekstrak dari catatan kesehatan elektronik, tingkat akurasi lebih dari 98% pada dataset pasien risiko tinggi. OG-Miner milik Afrid dapat diaplikasikan diindonesia dengan menggabungkanya dengan Sistem informasi teknologi canggih untuk ibu dan anak milik Lei Chen sehingga ibu hamil berisiko tinggi akan mendapat pelayanan kesehatan yang tepat sehingga angka kematian ibu dapat diturunkan dan Indonesia bisa mencapai MDGs pada tahun 2015 Kata kunci : teknologi informasi, OG miner, MDGs.
BAB I LATAR BELAKANG
Statistik terbaru dari WHO menunjukkan bahwa sekitar 500.000 perempuan meninggal dunia setiap tahun, mayoritas dari mereka berada di negara berkembang, karena adanya komplikasi kehamilan. Situasinya sangat serius bahwa PBB telah menetapkan target untuk mengurangi Angka Kematian Ibu (AKI) dengan 75% sampai tahun 2015 dalam tujuan milenium perkembangannya (MDGs). Penyebab utama yang berkontribusi terhadap Angka Kematian Ibu terutama di negara-negara Afrika dan Asia dengan sumber daya yang terbatas
Adalah
Perdarahan, Hipertensi, persalinan lama/ macet dan Septikemia U. Fund (2008). Kinerja penurunan angka kematian ibu secara global masih rendah. Di Indonesia, angka kematian ibu melahirkan (MMR/Maternal Mortality Rate) menurun dari 390 pada tahun 1991 menjadi 228 per 100.000 kelahiran hidup pada tahun 2007. Target pencapaian MDG pada tahun 2015 adalah sebesar 102 per 100.000 kelahiran hidup, sehingga diperlukan kerja keras untuk mencapai target tersebut. Walaupun pelayanan antenatal dan pertolongan persalinan oleh tenaga kesehatan terlatih cukup tinggi, beberapa faktor seperti risiko tinggi pada saat kehamilan dan aborsi perlu mendapat perhatian. Ke depan, upaya peningkatan kesehatan ibu diprioritaskan pada perluasan pelayanan kesehatan berkualitas, pelayanan obstetrik yang komprehensif, peningkatan pelayanan keluarga berencana dan penyebarluasan komunikasi, informasi dan edukasi kepada masyarakat (laporan Indonesia). Kematian bisa saja dengan mudah dihilangkan melalui pencegahan dan penanggulangan yang efektif dan efisien. Tapi hal ini akan memberikan tuntutan terhadap kebutuhan kunjungan antenatal yang tepat waktu kepada ahli medis yang terlatih. Untuk memenuhi tantangan menyelamatkan nyawa ibu dan baru lahir, kita sebagai tenaga kesehatan perlu untuk menyediakan solusi kesehatan yang terpadu
dengan menggunakan ponsel infrastruktur
Teknologi Informasi dan alat-alat kesehatan yang canggih yang menyediakan pelayanan antenatal pada tiap rumah yang ada perempuannya di daerah pedesaan Afridi (2011). OG-Miner ini membangun jejaring lady health workers (LHWs) untuk mengintegrasikan mereka ke dalam alur kerja system ini (lihat Gambar 1).
OG-miner dimulai dari
LHW elektronik memasukan laporan kunjungan antenatalnya pada
ponsel dan kemudian mengirimkannya ke server, di mana data tersebut disimpan dalam suatu system Electronic Medical Record (EMR), bertempat di sebuah rumah sakit perawatan tersier. Server kemudian memanggil Clinical Decision Support System (CDSS) yang didasarkan pada alat cerdas kesehatan (OG-Miner). Alat otomatis menganalisis catatan elektronik pasien dan mengklasifikasikan sebagai pasien normal atau berisiko tinggi. Motivasi untuk menggunakan alat cerdas kesehatan (OG-Miner) untuk membantu LHWs mendapatkan data yang akurat dan arahan yang tepat waktu. Akibatnya, ia bertindak sebagai filter dan mengurangi beban kerja konsultan medis yang sekarang hanya memanagement pasien risiko tinggi. OG-Miner adalah mempunyai nilai besar untuk mengembangkan negara di mana dokter untuk rasio populasi sangat rendah. Alat ini tingkat akurasi lebih dari 98% pada pasien risiko tinggi. OG Miner dengan akurasi yang tinggi akan menjadi komponen penting dari lingkungan TI berbasis kesehatan, akibatnya akan memainkan peran penting dalam mencapai MDGs melalui pengurangan MMR di negara-negara berkembang. Oleh karena itu OG-miner penting untuk diaplikasikan di Indonesia sehingga Indonesia bisa mencapai MDGs pada tahun 2015.
BAB II KAJIAN LITERATUR
Status kesehatan ibu telah menjadi hal yang penting masalah dalam sistem perawatan kesehatan di suatu negara. Selama dekade terakhir, tindakan perlindungan yang telah digunakan untuk meningkatkan ibu sehingga kematian kehamilan berisiko tinggi , kematian bayi baru lahir dan bayi baru lahir cacat telah berkurang secara dramatis sebagai hasil dari upaya. Di pedesaan wilayah, sumber daya perawatan kesehatan untuk ibu dan anak-anak telah langka untuk waktu yang lama karena tidak ada rumah sakit cukup atau dokter. Biasanya wanita hamil harus pergi ke terdekat kota atau kota untuk mendapatkan layanan kesehatan. Sebagai akibat dari kekurangan tersebut sumber daya kesehatan, wanita hamil dan anak bisa tidak mendapatkan pemeriksaan dari rumah sakit atau mendapatkan terus pengawasan kesehatan, dan dokter mungkin tidak memiliki cukup untuk mendiagnosis Yanqiu G (2009). Pada OG-miner langkah pertama yang dilakukan mengumpulkan data nyata Obstetri dan Gynekologi dari 1200 pasien dari dua rumah sakit perawatan tersier dan perawatan di daerah pedesaan terutama ibu yang memiliki resiko tinggi seperti hipertensi, perdarahan, persalinan macet, septikemia. Kemudian memvisualisasikan dan menganalisa data set untuk menemukan trend dan pola yang membantu kita dalam melakukan rekayasa persyaratan sebuah classifier kembali akurat dan akhirnya dapat diandalkan. Dari analisa data tersebut bisa diperoleh data ibu mana yang membutuhkan pemeriksaan lebih dari tenaga medis sehingga bisa mengurangi beban kerja tenaga menis dan dapat mencegah resiko-resiko yang terjadi pada ibu hamil, melahirkan dan postpartum sehingga diharapkan MDGs pada tahun 2015 dapat dicapai terutama di Indonesia. Alur kerja OG-Miner dimulai dari LHW elektronik memasukan laporan kunjungan antenatalnya pada ponsel dan kemudian mengirimkannya ke server, di mana data tersebut disimpan dalam suatu system Electronic Medical Record (EMR), bertempat di sebuah rumah sakit perawatan tersier. Server kemudian memanggil Clinical Decision Support System (CDSS) yang didasarkan pada alat cerdas kesehatan (OG-Miner). Alat otomatis menganalisis catatan elektronik pasien dan
mengklasifikasikan sebagai pasien normal atau berisiko tinggi. Motivasi untuk menggunakan alat cerdas kesehatan (OG-Miner) untuk membantu LHWs mendapatkan data yang akurat dan arahan yang tepat waktu. Akibatnya, ia bertindak sebagai filter dan mengurangi beban kerja konsultan medis yang sekarang hanya memanagement pasien risiko tinggi Afridi (2011).
Gambar 1. Alur Kerja Sistem informasi OG-Miner OG-Miner menggunakan teknik data mining untuk menentukan risiko faktor, yang dapat menyebabkan kematian seorang wanita hamil, atas dasar informasi diekstrak dari catatan kesehatan elektronik. Hal ini penting untuk memiliki sistem seperti karena alasan yang disebutkan dalam bagian sebelumnya. Komplikasi kehamilan menunjukkan pola tertentu yang dinyatakan mungkin dianggap normal. Misalnya tekanan darah dari 130/90 adalah alarm risiko tinggi untuk wanita hamil tapi untuk wanita lain tidak karena sudah terbiasa. Untuk menyimpulkan, kita harus memiliki dataset untuk kehamilan terkait komplikasi karena metodologi penilaian risiko untuk wanita hamil benar-benar berbeda dibandingkan dengan normal yang. Pekerjaan yang dilaporkan dalam C.Shu(2008), Y.Chae (2001), A.Tanwani (2009), M.Wozniak (2005) tidak berlaku data mining untuk dataset hipertensi tetapi dataset tidak berfokus pada wanita hamil. Penelitian hanya dikenal pada wanita hamil mendeteksi pra-eklampsia komplikasi yang dihasilkan karena hipertensi - dengan mengidentifikasi pola-pola metabolik pada pasien plasma L.Kenny (2005). Goodwin et al(2001) dilakukan penelitian tentang pasien
wanita hamil dengan tujuan yang untuk memprediksi - mempertimbangkan faktor demografi kelahiran prematur. Ide menggunakan sistem pakar untuk penilaian risiko kelahiran prematur merupakan fokus dari Woolery et al(1994). Untuk menyimpulkan, OG-Miner adalah alat pertama yang menargetkan faktor risiko tinggi kematian ibu dengan penggunaan data mining dan teknik belajar mesin. Berbeda dengan OG-Miner milik M.Jamal Afridi dan Muddassar Farooq, Sistem informasi teknologi canggih untuk ibu dan anak milik Lei Chen memiliki tahapan yaitu pengumpulan data, pengolahan data, data mining dan pelayanan kesehatan Lie Chen (2011). A.
Pengumpulan data Fungsi pengumpulan data dirancang untuk mengumpulkan dan mentransfer tanda-tanda fisik wanita hamil. Ada tiga langkah-langkah penting untuk mewujudkan dalam fungsi ini. Pertama, data yang akurat harus dikumpulkan tepat waktu. Kabel sensor bukan pilihan yang baik karena tidak bekerja di luar skenario dan tidak nyaman bagi wanita hamil. Untuk menggunakan sensor nirkabel, sensor harus nirkabel dipakai. Selama beberapa tahun terakhir, banyak miniaturisasi, multiparameter, rendah daya digital sampling dan pemantauan peralatan telah dikembangkan Pantelopoulos, A (2010). Dan ini berlangsung memungkinkan untuk mengumpulkan banyak tanda-tanda fisik yang penting, seperti sebagai elektrokardiogram, suhu, oksigen darah darah, tekanan, gula darah, denyut jantung, denyut jantung janin, pada hamil perempuan kehidupan sehari-hari oleh sensor nirkabel.
Kedua, data yang dikumpulkan oleh sensor harus dipindahkan ke tepat waktu ke pusat data. Data dikirim melalui Internet dan telepon selular jaringan tersebar luas di cina, data yang dikumpulkan oleh sensor dapat ditransfer ke pusat-pusat kesehatan data dengan cepat dan mudah melalui Internet. Dalam rangka untuk mengurangi biaya perangkat data akan dikirim ke perangkat pintar digunakan sehari-hari dan ditransfer ke pusat data oleh perangkat pintar, antara lain ponsel yang canggih, komputer melalui Bluetooth. Kim (2007).
Program tertentu akan ditempatkan di perangkat pintar. Program berjalan, perangkat cerdas akan mengirimkan data yang dikumpulkan untuk data pusat melalui Internet. Ketiga, data yang dikumpulkan oleh sensor harus bersatu dalam format. Format data harus bersatu sebelum memproses. Penyimpanan jangka panjang harus dipertimbangkan. Data kesehatan wanita hamil harus dikumpulkan terus menerus dari awal sampai akhir dari keseluruhan proses kehamilan.
B. Pengolahan data Dengan terus menerus dikumpulkan data kesehatan, dokter mungkin tawaran yang lebih baik diagnostik untuk wanita hamil, dan banyak penyakit, seperti diabetes gestasional, hipertensi kehamilan, denyut jantung janin yang abnormal, dapat dideteksi dalam tahap awal. Akibatnya, dokter dapat memenangkan waktu yang berharga untuk pengobatan sebelum perkembangan penyakit. Data fungsi pengolahan dirancang untuk proses baku yang dikumpulkan Data. Fungsi pengolahan data terdiri dari tiga bagian: Alarm fungsi fungsi, Peramalan dan Klasifikasi fungsi. Fungsi alarm berfokus pada beberapa tanda fisik (seperti elektrokardiogram, denyut jantung, tekanan darah) yang menunjukkan status fisiologis wanita hamil. Jika tanda-tanda fisik menjadi tidak biasa, mungkin menunjukkan status fisiologis ibu hamil adalah normal. Program alarm harus menilai apakah status abnormal tersebut menunjukkan wanita hamil dalam bahaya dan perlu pertolongan pertama pengobatan. Jika keputusan adalah pertolongan pertama pengobatan dibutuhkan, sistem harus meminta pertolongan pertama pengobatan untuk ibu hamil segera dalam situasi ini. Fungsi peramalan ini dirancang untuk meramalkan penyakit akut. Berbeda dengan fungsi alarm, peramalan fungsi fokus pada beberapa tanda-tanda fisik yang berbeda dan menggunakan indeks yang berbeda dalam rangka untuk meramalkan perempuan hamil fisiologis status dalam waktu singkat di masa depan. Jika beberapa sinyal abnormal terdeteksi, program peramalan harus menilai apakah wanita hamil adalah pada tahap awal dari beberapa penyakit akut. Tanda-tanda fisik seperti tekanan darah, gula darah akan hatihati dianalisis oleh fungsi mengklasifikasikan. Fungsi mengklasifikasikan akan menilai masih ada dari mereka yang kronis penyakit. Berdasarkan penilaian, para wanita hamil dapat mendapatkan program perawatan kesehatan jangka panjang, dan sistem akan
membantu mereka melaksanakan program seperti pribadi menawarkan obat pengingat. Pengolahan data harus selesai secepat mungkin. Mungkin ada cukup banyak terminal mengirim data ke datacenter pada waktu yang sama dan menunggu. Dan layanan penyedia tidak mampu memberikan layanan ke terminal sampai mendapatkan hasil yang diproses. Jadi Program menerapkan data fungsi pengolahan harus sangat bersamaan dan realtime. C. Data Mining Dalam data mining, data disimpan secara elektronik dan pencarian otomatisatau setidaknya ditambah-oleh komputer. Data mining adalah tentang memecahkan masalah dengan menganalisis data yang telah hadir di database Witten (2005). Data fungsi pencarian data ini dirancang untuk membantu ahli medis atau dokter menganalisis data yang dikumpulkan dan menciptakan model pengolahan yang baru. Semua tanda fisik yang dikumpulkan disimpan dalam pusat data untuk menghasilkan model yang mungkin untuk data pengolahan fungsi. Fungsi pencairan data dapat dibagi menjadi tiga jenis: fungsi menganalisis tanda fisik, fungsi menganalisis penyakit akut, fungsi menganalisis penyakit kronis. Biasanya, data mining membutuhkan banyak daya komputerisasi. Di pusat data, daya komputasi dapat terpisah dalam cukup banyak dari server. Program melaksanakan fungsi data mining harus dirancang untuk berjalan dalam lingkungan ini. D. Pelayanan Kesehatan Tujuan dari mengumpulkan dan menganalisis data sehingga banyak adalah untuk menawarkan layanan kesehatan yang tepat untuk wanita hamil. Layanan khas dapat diberikan adalah: pertolongan pertama pengingat obat, panduan medis, konsultasi jarak jauh dan manajemen kesehatan. Contohnya sebuah kasus obat pengingat. Untuk wanita hamil dengan penyakit kronis adalah penting mengambil obat tepat waktu dan benar. Kedua data yang dikumpulkan oleh sensor dan perintah dokter disimpan di pusat data. Pengingat obat akan diberikan berdasarkan pada mereka. Dan pasien akan diingatkan untuk minum obat tepat waktu. OG-miner akan lebih lengkap jika di gabung dengan Sistem informasi teknologi canggih untuk ibu dan anak milik Lei Chen karena setelah mendapat ibu hamil yang berisiko tenaga
kesehatan akan memberikan pelayanan yang sesuai dengan kondisi pasien sehingga ibu bisa meningkat status kesehatannya menurun angka kematiannya sehingga tercapai MDGs tahun 2015.
BAB III KESIMPULAN DAN SARAN
OG-Miner menggunakan teknik data mining untuk menentukan risiko faktor, yang dapat menyebabkan kematian seorang wanita hamil, atas dasar informasi yang diekstrak dari catatan kesehatan elektronik. OG-Miner mendapatkan data yang akurat dan arahan yang tepat waktu. OG-Miner juga sebagai filter dan mengurangi beban kerja konsultan medis karena dengan adanya analisis apakah wanita itu keadaannya normal atau berisiko tinggi, maka tenaga kesehatan akan lebih focus dalam melakukan asuhan keperawatan pada pasien risiko tinggi. OG-Miner akan lebih lengkap jika digabung dengan Sistem informasi teknologi canggih untuk ibu dan anak milik Lei Chen, karena dalam system tersebut tidak hanya menentukan factor resiko tinggi saja tetapi juga membuka pelayanan apa yang tepat untuk meningkatkan kesehatan ibu. Dengan meningkatnya kesehatan ibu angka kematian ibu bisa diturunkan sehingga pencapaian MDGs akan tercapai pada tahun 2015. OG-Miner bisa diaplikasikan diindonesia, tetapi membutuhkan dukungan yang besar baik itu dari komitmen pemerintahan, SDM khususnya perawat yang mempunyai ahli di sistem informasi, dan peralatan yang mahal dan dengan biaya perawatan alat yang mahal.
DAFTAR PUSTAKA Afridi M. Jamal and M Farooq(2011). OG-miner: an Intelligent Healt Tool For Achieving Millennium Development Goals (MDGs) in m-Health Environments. Proceedings of the 44th Hawaii International Conference on System Sciences. A. Tanwani, J. Afridi, M. Shafiq, and M. Farooq,(2009) “Guidelines to Select Machine Learning Scheme for Classification of Biomedical Datasets,” in Proceedings of the 7th European Conference on Evolutionary Computation, Machine Learning and Data Mining in Bioinformatics. Springer, 2009, pp. 128–139. BAPPENAS, (2010). Laporan Pencapaian Tujuan Pembangunan Milinium di INDONESIA 2010. Kementerian Perencanaan Pembangunan Nasional / Badan Perencanaan Pembangunan Nasional (BAPPENAS) ISBN 978 - 979 - 3764 - 64 - 1 C. Su and C. Yang,(2008) “Feature selection for the SVM: An application to hypertension diagnosis,” Expert Systems with Applications, vol. 34, no. 1, pp. 754–763, 2008. Kim, Dae-Young Cho, Jinsung,(2007) "WBAN Meets WBAN: Smart Mobile Space over Wireless Body Area Networks", Vehicular Technology Conference Fall (VTC 2009-Fall), Sept. 2007, pp. 1-5, doi:10.1109/VETECF.2009.5378899. L. Goodwin, M. Iannacchione, W. Hammond, P. Crockett, S. Maher, and K. Schlitz,(2001) “Data mining methods find demographic predictors of preterm birth,” Nursing research, vol. 50, no. 6, p. 340. L. Kenny, W. Dunn, D. Ellis, J. Myers, P. Baker, and D. Kell,(2005) “Novel biomarkers for preeclampsia detected using metabolomics and machine learning,” Metabolomics, vol. 1, no. 3, pp. 227–234. L. Woolery and J. Grzymala-Busse,(1994) “Machine learning for an expert system to predict preterm birth risk,” Journal of the American Medical Informatics Association, vol. 1, no. 6, p. 439. Lei Chen, Ji-Jiang Yang, Qing Wang, Ming-yu Wang(2011). An Intelligent Information System for Maternal and Child Health Care. 2011 35th IEEE Annual Computer Software and Applications Conference Workshops M. Wozniak,(2005) “Boosted Decision Trees for Diagnosis Type of Hypertension,” Entropy, vol. 1. Pantelopoulos, A., Bourbakis, N.G.(2010), “A survey on wearable sensorbased systems for health monitoring and prognosis”,IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews,Vol. 40, No. 1, Jan. 2010, pp.1-12, doi: 10.1109/TSMCC.2009.2032660 U. Fund, ( 2008)“State of the Worlds Children 2009. Maternal and Newborn Health,” New York: UNICEF, vol. 60.
Witten and E. Frank,(2005) Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann Pub, 2005. Y. Chae, S. Ho, K. Cho, D. Lee, and S. Ji, (2001)“Data mining approach to policy analysis in a health insurance domain,” International journal of medical informatics, vol. 62, no. 2-3, pp. 103–111. Yanqiu G, Ronsmans C, An L(2009),"Time trends and regional differences in maternal mortality in China", Bull World Health Organ ,vol.87, Dec.2009, pp.913-920, doi: 10.2471/BLT.08.060426.
