Analisa Rekam Medis Elektronik Untuk Menentukan Diagnosa Medis Dalam Kategori Bab ICD 10 Menggunakan Machine Learning
DOI:
https://doi.org/10.31961/positif.v7i2.1140Kata Kunci:
Rekam Medis Elektronik, ICD-10, Machine LearningAbstrak
Berdasarkan observasi di alur proses bisnis pada rumah sakit RSUD Siti Fatimah, Maka yang melatarbelakangi penelitian ini adalah dokumen rekam medis dan kode ICD-10 yang dilakukan diagnosis manual sehingga menyulitkan bagian rekam medis dalam menetapkan BAB kode ICD-10 yang tepat dan cepat. International Statistical Classification of Diseases and Related Health Problems (ICD) dapat digunakan dalam menghitung atau membuat catatan riwayat perawatan pasien yang valid di rumah sakit. Metode Cross-Industry Standard Process For Data Mining (CRISP-DM) digunakan dalam penelitian ini menjadi strategi menguraikan masalah secara umum dari domain atau unit penelitian. Sedangkan algoritma machine learning untuk pengklasifikasian multiclass menggunakan algoritma Naïve Bayes, Support Vector Machine, Logistic Regression untuk membuat model diagnosa tindakan medis. Penelitian ini memprediksi kategori bab ICD-10 dari catatan tindakan medis dari rekam medis elektronik. Dengan adanya penelitian ini diharapkan machine learning dapat mempermudah bagian rekam medis dalam memprediksi kategori bab ICD-10 dengan menganalisa data rekam medis elektronik menggunakan sistem informasi Chapter ICD-10 Decision Support System.
Unduhan
Referensi
R. Depkes, Peraturan Menteri Kesehatan Republik Indonesia Nomor 269 Tahun 2008 Tetang Rekam Medis. Indonesia, 2008, p. 7.
R. Depkes, “Peraturan Menteri Kesehatan Republik Indonesia Nomor 27 Tahun 2014 tentang Petunjuk Teknis Sistem Indonesian Case Base Groups (INA-CBGs),†p. 50, 2014.
World Health Organization, International Statistical Classification of Diseases and Related Health Problems. 2010.
A. D. Black et al., “The impact of ehealth on the quality and safety of health care: A systematic overview,†PLoS Med., vol. 8, no. 1, pp. 1–16, 2011, doi: 10.1371/journal.pmed.1000387.
E. Choi, M. T. Bahadori, A. Schuetz, W. F. Stewart, and J. Sun, “Doctor AI: Predicting Clinical Events via Recurrent Neural Networks.,†JMLR Workshop Conf. Proc., vol. 56, pp. 301–318, 2016.
J. Huang, C. Osorio, and L. W. Sy, “An empirical evaluation of deep learning for ICD-9 code assignment using MIMIC-III clinical notes,†Comput. Methods Programs Biomed., vol. 177, pp. 141–153, 2019, doi: 10.1016/j.cmpb.2019.05.024.
R. Feldman and J. Sanger, The Text Mining Handbook. 2006.
C. McCue, Data Mining and Predictive Analytics. 2015.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2021 Zulius Akbar Amin, Widya Cholil, M. Izman Herdiansyah, Edi Surya Negara
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
Penulis yang menerbitkan dengan Positif : Jurnal Sistem dan Teknologi Informasi menyetujui persyaratan berikut:
- Penulis memegang hak cipta dan memberikan jurnal hak publikasi pertama dengan karya yang dilisensikan secara bersamaan di bawah Lisensi Atribusi Creative Commons yang memungkinkan orang lain untuk berbagi karya dengan pengakuan kepenulisan karya dan publikasi awal dalam jurnal ini.
- Penulis dapat masuk ke dalam pengaturan kontrak tambahan yang terpisah untuk distribusi non-eksklusif dari versi jurnal yang diterbitkan dari karya tersebut (misalnya, mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan publikasi awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk memposting karya mereka secara online (misalnya, di repositori institusional atau di situs web mereka) sebelum dan selama proses pengiriman, karena dapat menghasilkan pertukaran yang produktif, serta kutipan lebih awal dan lebih besar dari karya yang diterbitkan.
This work is licensed under a Creative Commons Attribution 4.0 International License.
