Anda di halaman 1dari 22

SISTEM BERBASIS PENGETAHUAN

A CASE-BASED PATIENT IDENTIFICATION


SYSTEM USING PULSEOXIMETER AND A
PERSONALIZED HEALTH PROFILE
Oleh :
Logis Fanromik G1A010011
Ibnu masud G1A010021
G G1A0090xx

Dosen Pengampuh :
Ernawati, S.T., M.Cs.

PERKENALAN
Pemantauan terus menerus dari pengukuran
fisiologis menggunakan sensor memiliki potensi
untuk memberikan peluang baru untuk
pencegahan dan deteksi dini penyakit. Secara
khusus, dengan analisis data yang sesuai,
personalisasi dengan kondisi spesifik pengguna
dapat memberikan deteksi ketika relevan bagi
pengguna. Mengamati parameter seperti denyut,
OXYMETRY darah, dan tekanan darah dapat
dicapai dengan sensor relatif murah yang mudah
diintegrasikan pada tubuh dalam area jaringan
nirkabel. Biasanya tiga lapis arsitektur yang
digunakan di mana pertama sensor
mengumpulkan data, kemudian mengirimkan
mereka ke server lokal seperti peralatan
mobile.dan akhirnya data dikirimkan ke server
Dalam jurnal ini, kami menyelidiki
penggunaan dari Case-Base Reasoning
(CBR) teknik yang menggunakan protokol
profil kesehatan pribadi dan berlaku untuk
mengidentifikasi pasien yang menggunakan
pengukuran berbasis fisiologis. Untuk
menangani pemrosesan data yang kompleks,
pertama fitur ekstraksi dan seleksi dilakukan
pada pengukuran baku. Fitur tersebut
kemudian dimasukkan ke sistem CBR.
Tujuan dari sistem ini adalah untuk
mengidentifikasi subjek berdasarkan
pengukuran berlanjut.
GAMBARAN SISTEM
Sistem Pendukung Keputusan berbasis
kasus klinis (CDSS) untuk identifikasi pasien
yang menggunakan parameter fisiologis telah
dirancang dan dikembangkan dengan
menggunakan pendekatan berbasis client-
server. Artinya, semua pengukuran fisiologis
dan kasus disimpan dalam pustaka CBR
yang terletak di server jauh. Selain itu
Ekstraksi, fitur, formulasi kasus, dan
pengambilan kasus juga dilakukan pada
server sampingan. Di sisi klien, aplikasi
android dikerahkan di ponsel pintar yang
mengumpulkan pengukuran subjek
menggunakan oksimeter denyut nadi.
Oksimeter denyut terhubung ke jari subjek seperti yang ditunjukkan
pada Gambar diatas, data denyut nadi dan saturasi oksigen yang
diukur dan dikirim ke smartphone menggunakan komunikasi bluetooth.
Pengukuran akan disimpan ke dalam smartphone dalam bentuk format
'txt.'dan diuplod ke server, gambar diatas mengilustrasikan tahapan
dan alur dari CDSS.

MENETAPKAN PERSONALISASI PROFIL KESEHATAN
Sebuah profil kesehatan pribadi adalah protokol uji yang berisi
beberapa langkah dengan berbagai tugas dalam durasi waktu yang
berbeda. Di sini, sistem menetapkan sebuah profil kesehatan
perorangan tanpa mempertimbangkan setiap detail klinis. Langkah-
langkah dan prosedur secara keseluruhan diilustrasikan dalam
tabel1.

PENJELASAN TABEL1
1. Phase1 dapat dilihat sebagai indikator apakah subjek
memiliki dasar yang stabil. selama langkah ini, subjek
diminta untuk membaca teks netral (yaitu, koran harian).
Menggunakan fase ini, kita dapat mengidentifikasi denyut
nadi dasar individu, dan juga mencatat fluktuasi dan efek
lainnya.
2. Phase2 orang tersebut diperintahkan untuk bernafas dalam-
dalam di bawah bimbingan yang biasanya menyebabkan
relaksasi. Juga seberapa cepat perubahan terjadi selama
langkah ini relevan dengan profil kesehatan dan dicatat
bersama-sama dengan fluktuasi yang diamati.
3. Phase3, subjek diminta untuk berjalan 4 sampai 6 km per
jam dengan menggunakan peralatan olahraga berjalan atau
alternatif siklus pada 70 hingga 90 rpm. Selama fase ini,
denyut nadi subjek bisa meningkat dan variasi denyut nadi
merupakan parameter penting.
4. Phase4, subjek diminta untuk bersantai menggunakan
instruksi sistem, biofeedback misalnya berapa kali subjek
harus bernapas selama periode relaksasi. Seberapa cepat
denyut nadi subjek berkurang dapat diamati selama fase ini.

CASE - BASED MONITORING SYSTEM

Sistem berbasis kasus identifikasi pasien yang diusulkan di
sini terdiri dari tiga modul, yaitu :
1. Modul di sisi klien berisi aplikasi android yang
mengumpulkan data dari pulsa oksimeter mengikuti profil
kesehatan. Aplikasi android juga menunjukkan pada
pengguna pemberitahuan yang diperoleh dari server saat
data berhasil diunggah.
2. Ketika aplikasi pada bagian server menerima data file, file
tersebut dipecah dan fitur diekstrak. Hal ini juga menghitung
kesamaan dengan semua kasus lain dalam database dan
menyimpan nilai maksimum kesamaan ke dalam database.
Nilai maksimum bisa kemudian digunakan sebagai indeks
prioritas kasus yang perlu diselesaikan, karena kasus
mengandung nilai kesamaan terendah berbeda dari kasus
kasus dasar dan mungkin dibutuhkan perhatian lebih dari
ahli untuk review.
3. Modul ketiga adalah halaman web yang akan digunakan
oleh ahli untuk menganalisa kasus

EKSTRAKSI FITUR DAN PERUMUSAN KASUS
Pengukuran dikumpulkan dari oksimeter denyut
diproses untuk mengekstrak fitur. Fitur yang
diambil dari domain waktu, domain frekuensi dan
domain frekuensi waktu. Dalam domain waktu,
fitur statistik seperti maksimum, minimum, rata-
rata aritmatika dan deviasi standar dari data yang
dianggap. Selain domain waktu, domain frekuensi
juga dipertimbangkan untuk ekstraksi fitur seperti
yang telah diamati dalam karya-karya sebelumnya
perbedaan antara data orang sehat dan sakit
yang terlihat dalam domain frekuensi.
Untuk mendapatkan fitur domain frekuensi, Power Spectral Density
(PSD) dihitung. PSD adalah amplitudo kuadrat dari Discrete Fourier Transform
(DFT) yang dicapai dengan menggunakan Fast Fourier Transform (FFT)
algoritma pada proses pengukuran. Di sini, pengukuran diproses melalui
prosedur skala untuk sampel pengukuran dalam rentang frekuensi 1Hz. Dari
kepadatan spektral daya listrik frekuensi rendah, frekuensi daya tinggi,
frekuensi daya rendah untuk rasio daya frekuensi tinggi, frekuensi rendah
puncak kepadatan spektral daya dan High frekuensi puncak kepadatan
spektral daya dihitung. Frekuensi antara 0,04 dan 0,15 Hz dianggap sebagai
frekuensi rendah dan frekuensi antara 0,15 dan 0,4 dianggap sebagai
frekuensi tinggi seperti ditunjukkan pada Gambar dibawah ini :
Sebuah metode transformasi wavelet digunakan untuk ekstraksi ciri dari
sinyal biomedis
[15]
. Berbeda dengan Transformasi Fourier, Transformasi
wavelet dapat menyimpan informasi dari kedua waktu dan frekuensi,
dan sebagai hasilnya, fitur diekstraksi dari transformasi wavelet
dianggap sebagai fitur domain waktu-frekuensi. Fitur statistik
maksimum, minimum, rata-rata aritmatika dan standar deviasi dihitung
dari koefisien pendekatan dekomposisi wavelet dari level 1. 'Daubechies
2' Fungsi ini digunakan sebagai induk wavelet. Padding Symmetric
digunakan untuk membuat data sampel kekuatan dua untuk
melaksanakan transformasi wavelet diskrit. Untuk merumuskan sebuah
kasus, semua fitur dari tiga domain dalam empat sesi ditambah
informasi kontekstual subyek (umur, berat badan, jenis kelamin, dan
tekanan darah) yang diambil. Tekanan darah diukur dua kali, sekali
sebelum dan sekali setelah akhir mengambil pengukuran dari oksimeter
denyut. Akibatnya, setiap kasus mengandung jumlah 59 (4 13 + 7)
fitur.

Fitur dari kasus diilustrasikan dalam Gambar 3 dibawah ini.
Demikian pula, fitur yang diekstraksi untuk saturasi oksigen
mempertimbangkan tiga domain.

RETRIEVAL KASUS DAN PEMANTAUAN
Pembobotan fitur merupakan tugas penting untuk mengambil kasus
serupa. Untuk menentukan tingkat kepentingan dari masing-masing
fitur, pengetahuan ahli diperlukan. Sementara fitur pembobotan
dapat dilakukan secara otomatis dengan menggunakan beberapa
teknik kecerdasan buatan, bobot otomatis dari fitur cenderung tidak
disukai dalam domain medis. dalam rangka untuk melakukan
pembobotan fitur otomatis, algoritma ini membutuhkan volume
kasus yang banyak dengan klasifikasi yang sesuai. Dalam karya ini,
bobot fitur yang diperoleh dari domain pakar.
Kesamaan nilai fitur antara dua kasus diukur dengan menggunakan
jarak Euclidean dinormalisasi antara nilai fitur dari dua kasus. Fitur
non numerik seperti gender diubah menjadi nilai numerik dengan
menggantikan nilai kontekstual dengan satu angka (1 untuk pria, 0
untuk perempuan).



Berikut ilustrasi Bobot lokal untuk diekstrak fitur didefinisikan oleh pakar domain
:
Fungsi untuk menghitung kesamaan fitur antara dua kasus

Dimana Ti dan Si adalah nilai fitur sasaran dan kasus sumber masing-
masing; Max (i) dan Min (i) merupakan nilai maksimum dan minimum dari
fitur tersebut i diperoleh dari seluruh perpustakaan kasus, kemudian "max"
dan "min" fungsi membandingkan nilai antara kasus baru fitur Ti dan nilai-
nilai maksimum dan minimum yang diperoleh dari sumber kasus. Fungsi ini
mengembalikan 1 jika nilai yang sama dan kembali 0 jika nilai berbeda.
Fungsi untuk menghitung kesamaan antara dua kasus
Dimana Wi adalah berat dari fitur i. Perhatikan bahwa, saat ini
fungsi sistem CBR secara paralel baik untuk kasus denyut nadi dan
saturasi oksigen dalam sistem temu karena tidak ada domain
pengetahuan didefinisikan untuk menggabungkannya. Dalam
rangka untuk mencapai nilai kemiripan menggabungkan kedua
mempertimbangkan denyut nadi dan saturasi oksigen diperlukan
studi lebih lanjut.
4. HASIL DAN EVALUASI
CDSS mendapatkan kembali kasus yang paling mirip
berdasarkan dua buah kategori yang ada
1) Kasus paling mirip yang kembali didapatkan oleh
subjek
2) Dari keseluruhan library data kasus seperti yang
diilustrasi gambar 5 dan gambar 6

Gambar 5 Sistem mendapatkan kembali kasus yang paling
mirip berdasarkan subjek


Gambar 6 Sistem mendapatkan kembali kasus yang paling mirip dari
keseluruhan library data kasus

Untuk pengetesan uji keakuratan, " leave-one-out"
merupakan teknik pengambilan yang digunakan pada satu
kasus yang diambil dari data library kasus sebagai kasus
permintaan dan kemudian system akan mengambil kasus
yang paling mirip. Diantara kasus yang diambil, query kasus
ini juga diambil kembali sebagai kasus serupa atas dengan
nilai kemiripan 1.0. Artinya, nilai kemiripan dari dua kasus
yang sama dihitung sebagai persentase kecocokan 100%
yang disajikan pada Gambar 5 dan Gambar 6.
Bagian solusi dari kasus tidak dianggap untuk tujuan
evaluasi, karena hipotesis adalah "identifikasi yang benar dari
suatu subjek". Itu berarti, sistem CBR dapat mengambil
sebagian besar kasus serupa pada subjek ketika kasus
permintaan dimiliki subjek itu sendiri. Untuk menguji
konsistensi pengambilan, permintaan yang sama digunakan
untuk menampilkan lebih dari satu pencarian serupa dan jika
telah menemukan bahwa kasus sama telah diambil dengan
kesamaan yang sama disimpan, maka fungsi pengambilan
yang diterapkan dianggap memiliki konsistensi. Hal ini juga
berarti mengamati bahwa ada kasus yang identik selama
pengambilan kecuali pengambilan kasus, ketika kasus
tersebut mencocokkan sendiri,menyebabkan duplikasi kasus
juga diperiksa
TERKAIT PEKERJAAN
Sistem Pendukung Keputusan (DSS) yang memiliki kemiripan dengan
pemikiran manusia memiliki manfaat dan sering mudah diterima oleh dokter
dalam domain medis. CBR dalam ilmu kesehatan yang menunjukkan
kemajuan dan perkembangan terbaru dapat ditemukan. Beberapa medis
DSS terbaru menggunakan pendekatan CBR disajikan sebagai berikut:
a) Expression CBR, sistem ini adalah sistem pendukung keputusan
diagnosis kanker dan klasifikasi.
b) GerAmi 'Geriatri Ambient Intelligence', adalah sistem cerdas yang
bertujuan untuk mendukung fasilitas kesehatan untuk orang tua,
Alzheimer , pasien dan penyandang cacat lainnya.
c) gene CBR, yang berfokus pada klasifikasi kanker, berdasarkan profil
ekspresi gen dari data microarray.
d) Marling et al. menggambarkan DSS berbasis kasus untuk membantu
dalam pengelolaan kehidupan sehari-hari pasien dengan diabetes tipe 1
pada terapi pompa insulin.
e) manajemen stres, CBR digunakan untuk diagnosis stres dan setelah itu
untuk pengobatan biofeedback. Semua sistem yang disebutkan di atas
mengggunakan CBR, namun sebagian besar sistem itu melakukan
tugas klasifikasi dan terutama hanya beberapa mereka dapat digunakan
pemantauan kesehatan.

KESIMPULAN
Jurnal ini menyajikan sebuah sistem identifikasi pasien
berbasis kasus di mana parameter yang diambil melalui sensor
fisiologis yang disebut "WristOx2". Di sini, sistem yang diusulkan
menggabungkan personalisasi protokol profil kesehatan dengan
Penalaran pendekatan Case-Based Reasoning (CBR). Profil
kesehatan pribadi membantu untuk mendirikan parameter
kesehatan individu. Sistem secara keseluruhan dirancang dan
dikembangkan dalam pendekatan berbasis client server three-
tier. Pengukuran dikumpulkan melalui aplikasi android dan data
library kasus diimplementasikan dalam server jauh. Sebuah
CDSS web-enabled telah memberikan jaringan yang dapat
diakses melalui klien yang spesifik, contohnya dokter di sebuah
klinik kesehatan untuk memantau kesehatan. Tiga fitur domain
telah digunakan. Hasil awal menunjukkan bahwa sistem dapat
menemukan kasus serupa untuk subjek yang sama.