teknologi informasi OG-miner untuk pe

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.