• LATEST
    • A PHP Error was encountered

      Severity: Notice

      Message: Undefined variable: latest

      Filename: views/_header.php

      Line Number: 48

      A PHP Error was encountered

      Severity: Warning

      Message: Invalid argument supplied for foreach()

      Filename: views/_header.php

      Line Number: 48


Analisa Komputer B Score Jawab Teka-Teki ‘Hospital Readmission’

Daniel J. Morgan, MD, MS, Associate Professor Epidemiologi dan Kesehatan Masyarakat di Fakultas Kedokteran Universitas Maryland (University of Maryland School of Medicine / UMSOM) di Amerika Serikat dan koleganya (2019), berhasil menciptakan satu model pembelajaran mesin (machine learning) baru “Baltimore score” (B score) guna memperkirakan  lebih baik tentang pasien-pasien yang dipulangkan oleh rumah sakit dengan kemungkinan akan balik lagi ke rumah sakit (hospital readmission) (Daniel J. Morgan et al, 2019).

Riset kolaborasi itu dipimpin oleh Daniel J. Morgan, yang menganalisis data lebih dari 14.000 pasien dari tiga rumah sakit UMMS yang menggunakan alat perkiraan Baltimore score untuk menentukan kemungkinan pasien balik lagi ke rumah sakit. “A significant proportion of readmissions may be preventable with better planning and follow-up for how the patient would transition back into the community. If hospitals can better target time and money in planning for discharge to home, then patients may not have to come back to the hospital, with the harm sometimes associated with hospitals, including risks for infection, falls, delirium and other adverse events,” ungkap Dr. Daniel J. Morgan (University of Maryland Medical Center, 5/6/2019).

Hasil riset Daniel J. Morgan et al (2019) dirilis oleh jurnal JAMA Network Open edisi 2019 (Daniel J. Morgan, Bame B, Zimand P, Dooley P, Thom KA, Harris AD, Bentzen S, Ettinger W, Garrett-Ray SD, Tracy JK, Liang Y.,  “Assessment of Machine Learning vs Standard Prediction Rules for Predicting Hospital Readmissions”, JAMA Network Open, 2019). Studi ilmiah itu melibatkan banyak ahli yaitu (1) Daniel J. Morgan, MD, MS asal Department of Population Health, University of Maryland Medical System, Baltimore; Department of Epidemiology and Public Health, University of Maryland School of Medicine, Baltimore; Department of Healthcare Epidemiology, Veterans Affairs Maryland Healthcare System, Baltimore, di Amerika Serikat.

(2) Bill Bame, BS; Paul Zimand, MS; dan Patrick Dooley, MS; Walt Ettinger, MD; dan Stacy D. Garrett-Ray, MD, MPH, MBA asal Department of Population Health, University of Maryland Medical System, Baltimore di Amerika Serikat; (3) Kerri A. Thom, MD asal Department of Population Health, University of Maryland Medical System, Baltimore; Department of Epidemiology and Public Health, University of Maryland School of Medicine, Baltimore di Amerika Serikat; (4) Anthony D. Harris, MD asal Department of Epidemiology and Public Health, University of Maryland School of Medicine, Baltimore; Department of Healthcare Epidemiology, Veterans Affairs Maryland Healthcare System, Baltimore, di Amerika Serikat; (5) Soren Bentzen, PhD, DMSc dan J. Kathleen Tracy, PhD asal Department of Epidemiology and Public Health, University of Maryland School of Medicine, Baltimore di Amerika Serikat; (6) Yuanyuan Liang, PhD, asal Department of Epidemiology and Public Health, University of Maryland School of Medicine, Baltimore di Amerika Serikat.

Skor mesin belajar (machine-learning) memperkirakan pasien kembali lebih baik daripada cara-cara standar dan tradisional selama ini. Baltimore score menggunakan data kesehatan dan satu algoritma. Mesin belajar membuat perkiraan bedasarkan hasil analisis algoritma komputer terhadap sejumlah besar data. Algoritma membentuk jaringan-syaraf dengan model otak manusia untuk dapat belajar dari pola-pola. Sehingga catatan-catatan data medis elektronik rumah sakit memudahkan penggunaan teknik mesin-belajar menganalisis data perawatan kesehatan pasien-pasien.

Saat ini, sarana-sarana penilaian risiko kembalinya pasien antara lain indeks LACE, skor HOSPITAL, dan skor Maxim/RightCare score yang memperhitungkan sejumlah variabel terbatas bagi tiap pasien, seperti lama rawat di rumah-sakit, jenis dan tingkat keparahan sakit pasien, jenis dan jumlah obat, keadaan kronis lainnya dari pasien, dan perawatan di rumah sakit sebelumnya.

Dalam rangka studi ilmiah Daniel J. Morgan et al (2019), ilmuwan data William (Bill) Bame, BS, Senior Data Scientist pada University of Maryland Medical System (UMMS) dan co-author karya ilmiah ini, merancang satu jaringan-syaraf guna menambang ribuan variabel data kesehatan secara real-time. Kemudian sistem ini menghitung skor guna memperkirakan peluang pasien kembali ke perawatan di rumah sakit, setelah dipulangkan oleh rumah sakit. Saat ini, sekitar 20% pasien di rumah sakit Amerika Serikat, kembali lagi ke perawatan rumah-sakit, usai dipulangkan oleh rumah sakit (University of Maryland Medical Center, 5/6/2019).

Uji-coba algoritma B score disesuaikan secara individual dengan masing-masing tiga rumah sakit UMMS dalam pengaturan-pengaturan berbeda, usai awalnya mengevaluasi lebih dari 8.000 variabel data selama 1 September 2014 - 31 Agustus 2016. Model pembelajaran mesin berasal dari 382 variabel, termasuk demografi, hasil tes lab, bantuan pernapasan, indeks massa tubuh, afiliasi sosial tertentu, status pernikahan, pekerjaan, penggunaan obat-obatan dan penyalahgunaan zat (University of Maryland Medical Center, 5/6/2019).

Daniel J. Morgan et al (2019) membandingkan peringkat risiko penerimaan B score dengan penerimaan kembali aktual di tiga rumah sakit, dan dengan perkiraan menurut program lain. Pada ketiga rumah sakit itu, meskipun pengaturan yang berbeda, B score lebih mampu mengidentifikasi pasien berisiko masuk kembali daripada skor lainnya. B score paling akurat di antara pasien dengan risiko tertinggi. Pasien dengan skor 10 % teratas menurut risiko B score saat pemulangan dari rumah sakit, memiliki peluang 37,5% masuk rumah sakit lagi (yang tidak direncanakan) selama 30 hari. Pasien skor lima % B score teratas saat pemulangan dari rumah sakit, memiliki 43,1% peluang masuk kembali ke rumah sakit.

 

 

Oleh: Servas Pandur