Sistem pendukung keputusan untuk alokasi

sumber daya layanan kesehatan

Abderrazak Sebaa , 1 Amina Nouicer , 2 AbdelKamel Tari , 1 Ramtani Tarik , 2 dan Ouhab
Abdellah 2
Informasi penulis Catatan artikel Hak cipta dan Informasi lisensi Penafian
Go to:

Abstrak
Latar Belakang

Sebuah studi tentang sumber daya layanan kesehatan dapat meningkatkan keputusan mengenai
penjatahan dan mobilisasi sumber daya medis dan untuk memandu investasi masa depan yang
lebih baik di sektor kesehatan.

Tujuan

Tujuan dari pekerjaan ini adalah untuk merancang dan mengimplementasikan sistem pendukung
keputusan untuk meningkatkan alokasi sumber daya medis wilayah Bejaia.

Metode

Untuk mencapai studi kohort retrospektif, kami mengintegrasikan database klinis yang ada dari
berbagai lembaga sektor kesehatan Bejaia (departemen Aljazair) untuk mengumpulkan informasi
tentang pasien dari Januari 2015 hingga Desember 2015. Integrasi data dilakukan di gudang data
menggunakan model multi-dimensi dan kubus OLAP. Selama implementasi, kami menggunakan
Microsoft SQL server 2012 dan Microsoft Excel 2010.

Hasil

Platform pendukung keputusan medis diperkenalkan, dan dilaksanakan selama tahap

perencanaan yang memungkinkan pengelolaan berbagai orientasi medis, menyediakan alokasi
dan alokasi sumber daya medis yang lebih baik, dan memastikan bahwa alokasi sumber daya
layanan kesehatan memiliki efek optimal pada peningkatan kesehatan.

Kesimpulan

Dalam studi ini, kami merancang dan menerapkan sistem pendukung keputusan yang akan
meningkatkan perawatan kesehatan di departemen Bejaia untuk terutama membantu dalam
pemilihan lokasi optimal pusat kesehatan dan rumah sakit, spesialisasi pusat kesehatan, peralatan
medis dan staf medis .
Kata kunci: Gudang data, Sektor kesehatan, Sistem pendukung keputusan
Go to:

1. Pendahuluan
1.1. Latar belakang dan spesifikasi masalah

Negara-negara berkembang, terutama negara-negara yang paling tidak berkembang sangat

kekurangan infrastruktur kesehatan dan staf medis. Negara-negara ini juga menderita rumah sakit
yang kurang dilengkapi. Bukti ketidaksetaraan kesehatan antara negara-negara miskin dan tidak
miskin dan populasi dirinci dalam ( 1 ). Pengambilan keputusan tentang penggunaan alternatif
sumber daya layanan kesehatan merupakan masalah yang sangat penting bagi pemerintah dan
administrator di semua sistem perawatan kesehatan ( 2 ). Situasi ini mendesak gubernur dan
pembuat kebijakan untuk menemukan solusi. Aljazair adalah salah satu negara berkembang ini
dan berupaya untuk menemukan solusi untuk masalah yang sama ini. Oleh karena itu, skema
kesehatan direktur Aljazair berencana untuk berinvestasi $ 20 miliar antara periode 2009 dan
2025 ( 3 ). Rencana investasi termasuk pembangunan dan modernisasi pusat kesehatan dan
rumah sakit, akuisisi peralatan medis baru, pelatihan dan perekrutan badan kesehatan. Rencana
terperinci dari skema kesehatan Aljazair ini berencana untuk mencapai 172 pusat medis umum
45 pusat medis khusus, 377 klinik-klinik, 1000 pusat kesehatan regional, 17 sekolah pelatihan
paramedis, dan lebih dari 70 lembaga penyandang cacat. Namun, masalahnya adalah bagaimana
mencapai rencana ini dengan kesetaraan maksimum di antara orang-orangnya. Sistem
pendukung keputusan medis adalah sistem teknologi informasi kesehatan yang membantu dan
memberikan dukungan klinis kepada dokter dan profesional kesehatan lainnya. Menggunakan
teknologi data warehousing, ini adalah salah satu cara paling umum untuk mencapai sistem
pendukung keputusan. Data warehouse (DW) adalah sistem yang digunakan untuk melaporkan
analisis data, dan dianggap sebagai komponen inti dari intelijen bisnis ( 4 ). Ini adalah kumpulan
data, diorganisasikan untuk digunakan sebagai pendukung keputusan ( 5 ), seperti data yang
ditandai oleh faktor-faktor ini:

 Data disusun berdasarkan tema atau subjek, mengumpulkan semua informasi yang terkait
dengan topik tertentu, memfasilitasi pengambilan keputusan.
 Data terutama digunakan dalam mode konsultasi dan lebih jarang diperbarui atau dihapus
oleh pengguna. Ini menjaga ketertelusuran informasi, melakukan analisis dalam waktu
yang lama.
 Integrasi data ( 6 ) menghilangkan semua konflik representasi; sintaksis dan semantik,
untuk mendapatkan representasi data yang seragam dan konsisten ketika data dimuat di
Gudang Data.

1.2. Tujuan

Fokus penelitian ini adalah untuk mencapai sistem pendukung keputusan yang melakukan
pembagian dan alokasi sumber daya medis Sektor Kesehatan Bejaia. Bahkan, institusi perawatan
kesehatan Bejaia berada dalam pertumbuhan konstan. Mengawasi dan memantau evolusi
semacam itu membutuhkan solusi yang efektif. Studi ini merinci desain dan implementasi Data
Warehouse, yang digunakan untuk memberikan informasi kepada analis dan pembuat kebijakan.
Tujuan merancang dan membangun gudang ini adalah untuk mengarah pada platform untuk
melakukan pembagian yang adil dan alokasi sumber daya medis, dengan memberikan para
pembuat keputusan pandangan yang jelas tentang data sektor kesehatan di departemen Bejaia. Ini
akan membantu pengambil keputusan untuk membuat keputusan yang lebih baik mengenai
lokasi pusat kesehatan dan spesialisasi mereka, rencana rekrutmen staf medis, peralatan yang
paling dibutuhkan untuk rumah sakit dan meningkatkan efisiensi pengiriman obat-obatan.

Go to:

2. Bahan dan Metode

Penelitian ini dilakukan di institusi sektor kesehatan Bejaia. Memang, kami mengintegrasikan
database klinis yang ada dari berbagai lembaga sektor kesehatan departemen Bejaia (departemen
Aljazair) untuk mengumpulkan informasi tentang pasien dari Januari 2015 hingga Desember
2015. Bahan dan metode yang digunakan dirinci dalam bagian ini.

2.1. Material

Kami membuat pilihan untuk menggunakan teknologi alat data pergudangan berdasarkan pada
basis data relasional. Perancangan basis data dilakukan dengan model multi dimensi.
Implementasi data warehouse dilakukan menggunakan SQL server. Alat pelaporan dilakukan
dengan MS Excel dan satu set program Microsoft Visual Basic (VBA) yang dirancang untuk
query otomatis dari database.

2.2. Metode

Merancang dan mengimplementasikan gudang data adalah tugas kompleks yang terdiri dari
beberapa langkah: identifikasi kebutuhan, analisis dan ekstraksi sumber data, Integrasi, memuat
di gudang dan membangun berbagai alat pelaporan (analisis, penambangan data atau
pertanyaan). Dalam proyek ini, dua jenis persyaratan diidentifikasi: persyaratan fungsional yang
dimaksudkan untuk mencari informasi keputusan tentang penyakit dan pasien dan pusat
kesehatan, seperti informasi pasien, nama dan jenis penyakit, pola penyakit lintas waktu, atau di
lokasi, dan peralatan atau bangsal, terkait. Persyaratan non-fungsional yang dimaksudkan untuk
memastikan kecepatan pemrosesan, kinerja, dan keamanan.

2.2.1. Sumber data dan populasi Studi

Ekstraksi data adalah mengambil data dari beberapa sumber yang heterogen dan didistribusikan.
Untuk itu diperlukan sinkronisasi proses ekstraksi untuk memastikan integritas data dimuat.
Sumber-sumber ini mungkin sudah termasuk basis data, file data, sumber eksternal, dll. Sebelum
disimpan, sumber data harus dibersihkan terlebih dahulu. Proses pembersihan adalah untuk
memilih dan memurnikan data untuk menghilangkan masalah dan merekonsiliasi perbedaan
semantik antara data ini. Dalam kasus kami, data berasal dari beberapa sumber sistem informasi
rumah sakit Bejaia yang menyimpan data tentang pasien departemen Bejaia. Dalam studi ini,
kami membatasi pengumpulan data dari Januari 2015 hingga Desember 2015. Bejaia adalah
salah satu dari 48 departemen Aljazair (Skema kesehatan Bejaia adalah bagian dari skema
kesehatan direktur Aljazair). Ini memiliki populasi sekitar 1 juta orang, mencakup 51 kota.
Sektor kesehatan Bejaia mempekerjakan 33 staf rumah sakit universitas, 245 praktisi medis
spesialis, 734 praktisi medis umum, dan 2.742 staf paramedis. Misinya adalah mendukung
dengan cara yang terintegrasi dan hierarkis, kebutuhan kesehatan penduduk. Ini memiliki
lembaga-lembaga berikut: Rumah sakit universitas, 15 lembaga rumah sakit umum, lembaga
rumah sakit umum khusus, 51 poliklinik, 8 lembaga kesehatan publik kedekatan, beberapa
laboratorium, pusat transfusi darah, 30 unit perawatan terdekat, dan sekolah paramedis. Setiap
pasien, dokter, atau penyakit baru harus dimasukkan ke dalam HIS (sistem informasi rumah
sakit) Bejaia. Jadi, semua informasi tentang pasien, dokter alamat mereka, penyakit, tanggal
kunjungan dan pusat kesehatan yang dikunjungi harus disimpan dalam tabel yang ditunjukkan
pada Gambar 1 yaitu: "Pasien", "Dokter", "Penyakit", "Periode", " Bangsal Kesehatan ”dan“
Lokasi ”. Langkah selanjutnya adalah model data, yang diperlukan untuk memenuhi kebutuhan
yang direncanakan dan mudah diperluas untuk memenuhi kebutuhan masa depan.

Gambar 1

Tabel dimensi

2.2.2. Pemodelan persiapan data

Diagram Entity-Relationship dan teknik normalisasi populer digunakan untuk desain database
untuk gudang data. Namun, desain database yang direkomendasikan oleh diagram Entity-
Relationship tidak sesuai untuk sistem pendukung keputusan di mana efisiensi dalam query dan
dalam memuat data adalah penting ( 7 ). Jadi, kami memilih untuk menggunakan model multi-
dimensi. Untuk membuat model multi-dimensi, kami mulai dengan membuat database gudang
dengan membuat dan mengisi tabel dimensi dan fakta.

2.2.3. Struktur data dan skema

Kami menggunakan skema bintang untuk mewakili model data multidimensi. Memang, dalam
skema bintang, basis data terdiri dari tabel fakta tunggal dan tabel tunggal untuk setiap dimensi.
Setiap tuple dalam tabel fakta terdiri dari pointer (kunci asing - sering menggunakan kunci yang
dihasilkan untuk efisiensi) ke masing-masing dimensi yang memberikan multidimensialnya,
koordinat, dan menyimpan ukuran numerik untuk koordinat tersebut. Setiap tabel dimensi terdiri
dari kolom yang sesuai dengan atribut dimensi ( 8 ). Pandangan terwujud dipilih untuk
menyimpan data tabel dimensi terintegrasi. Bahkan, tampilan terwujud adalah objek database
yang berisi hasil kueri, atau duplikasi satu atau lebih tabel. Secara umum, kami menggunakan
tampilan terwujud karena memungkinkan dimodifikasi dengan cara yang berbeda: (untuk
mengubah karakteristik penyimpanannya, mengubah mode atau waktu penyegarannya. Untuk
mengubah strukturnya sehingga merupakan jenis tampilan terwujud yang berbeda). Memang,
dalam kasus kami, beberapa informasi tentang pasien dan staf kesehatan dapat berubah seiring
waktu. Misalnya, alamat pasien. Pemeliharaan tampilan terwujud adalah untuk menjaga tampilan
terwujud up to date ketika sumber data yang mendasarinya diperbarui dari waktu ke waktu ( 7 , 9
). Beberapa metode pemeliharaan diusulkan dalam literatur. Oleh karena itu, menggunakan
metode pemeliharaan tampilan dapat menghilangkan masalah perubahan data.
Seperti yang diilustrasikan dalam Gambar 2 , tabel fakta (Measures) berisi terutama tiga bagian
informasi: kunci primer "Measure_id", kunci asing, Patient_id, Doctor_id, Disease_id,
Location_id, Period_id, Ward_id "dan serangkaian tindakan seperti jumlah pasien di lokasi dan
periode tertentu. Set tabel yang disajikan sebelumnya digunakan untuk membuat skema bintang
yang ditunjukkan pada Gambar 3 . Pusat bintang adalah tabel fakta "Ukuran" dan titik-titik tepi
bintang adalah tabel dimensi "Pasien, Dokter, Penyakit, Periode, lokasi, dan bangsal kesehatan".
Struktur denormalized dari tabel dimensi dalam skema bintang lebih tepat untuk menelusuri
dimensi.

Gambar 2

Tabel fakta.
Gambar 3

Skema bintang.

2.2.4. Transformasi data

Transformasi data adalah seperangkat aturan untuk memformat dan mengkonversi data yang
diekstraksi dari satu format (misalnya, file basis data, dokumen XML, atau lembar Excel) sesuai
dengan skema gudang target, seperti menetapkan semantik ke sumber data dan menggabungkan
bidang sumber ke bidang target . Jadi, transformasi adalah memetakan data yang masuk dari
berbagai sumber menjadi dalam format data warehouse Bejaia. Kami menggunakan beberapa
teknik, seperti menggabungkan beberapa bidang nama menjadi satu bidang atau memecah
bidang, memetakan pembuatan yang menentukan hubungan antara elemen data dari dua aplikasi.
Kami memperbarui beberapa nama kolom menjadi nama lain dan mengonversi kolom dari satu
tipe data ke yang lain.

2.2.5. Pemuatan data dan OLAP Cube membangun dan menggunakan

Pemuatan data adalah langkah terakhir dari proses ETL. Ini terdiri dari memuat data ke dalam
gudang data untuk keperluan analitis ( 10 ). Informasi tentang pembuatan, pengelolaan dan
penggunaan gudang, tentang sumber dan isinya, skema gudang, aturan penyegaran, profil, dan
grup pengguna ( 11 ) juga disimpan dalam direktori yang terpisah. Informasi ini disebut
"Metadata". Gudang data didedikasikan untuk analisis keputusan bergaya OLAP. Ini
memberikan akses ke gudang, mengonversi permintaan klien untuk akses ke DW dan
memberikan pandangan multidimensi data untuk mendukung keputusan alat ( 12 ). Model multi-
dimensi mendukung desain OLAP untuk memberikan hasil instan dari pertanyaan analitik.

Untuk memfasilitasi analisis data, OLAP mengubah data medis yang disimpan dalam database
relasional menjadi informasi medis yang relevan dan membuatnya mudah dioperasikan, melalui
pembuatan kubus data. Itu adalah tujuan dari langkah ini, yaitu desain basis data multidimensi
kami untuk kubus OLAP. Oleh karena itu, untuk merancang gudang kami, kami menggunakan
MOLAP (Multidimensional OLAP) bersama dengan bahasa T-SQL. Karena kami memiliki
enam dimensi dan masing-masing dimensi memiliki setidaknya empat atribut, mungkin ada
beberapa kubus tergantung pada dimensi yang dipilih. Kubus data diidentifikasi oleh tiga
dimensi atau atribut dimensi. Gambar 4 menunjukkan representasi kubus data dengan
menggunakan dimensi: Penyakit (D1, D2, D3, dan D4), Periode (P1, P2, P3, dan P4), dan Lokasi
(L1, L2, L3, dan L4) .

Gambar 4

Kubus data.

2.2.6. Implementasi Gudang Data

Berdasarkan beberapa parameter seperti: alat administrasi, perlindungan brute force, penyebaran
dan pemeliharaan, kerahasiaan dan integritas data, kontrol konkurensi, GUI, pencadangan dan
pengembalian data, ketersediaan dan penguasaan perangkat lunak, kami membandingkan
beberapa alat pembangun data warehouse: Oracle , Pentaho, Talend Open Studio dan SQL
Server. Yang terakhir dipilih untuk membangun gudang data, dan menggunakan Microsoft
Excel, kami membuat alat pelaporan.

2.2.7. Analisis data

Tujuan sistem pendukung keputusan medis kami adalah untuk mengatasi beberapa masalah yang
mencakup beberapa aspek: kesehatan masyarakat, keuangan, ekonomi dan manajemen sektor
kesehatan di departemen Bejaia. Ini memungkinkan kami untuk memberikan orientasi penting
selama tahap perencanaan kesehatan masyarakat, untuk memiliki visi prediktif lengkap dengan
repartisi penawaran perawatan yang lebih baik (spesialisasi rumah sakit, pembagian dan alokasi
peralatan medis, jumlah spesialis per rumah sakit, jumlah tempat tidur berdasarkan lokasi,
Jumlah tempat tidur berdasarkan spesialisasi) penawaran ini perlu secara rutin disesuaikan
dengan perubahan minat (mengubah prosedur kesejahteraan, penyakit, struktur kesejahteraan,
usia penduduk dan alamat penduduk). Gudang data kami akan membantu pengambil keputusan
untuk menentukan pilihan target yang akan mendorong penurunan besar dalam biaya, strategi
yang lebih produktif untuk administrasi kesejahteraan yang tepat secepat waktu memungkinkan,
meningkatkan aksesibilitas material dan SDM, meningkatkan kualitas layanan, dan pasien
keamanan.

2.3. Aspek etis

Perlindungan informasi pribadi tentang pasien: Nama depan pasien, nama belakang, tempat, dan
tanggal lahir telah dihapus dari sistem kami. Mereka digantikan oleh identifikasi dan usia pasien.
Hanya mereka yang terlibat dalam pengembangan sistem langsung dan penyediaan perawatan
dan manajer medis yang memiliki akses ke item informasi medis. Transfer data ke gudang data
dirancang untuk terjadi setelah penindasan informasi identitas individu pasien.

Go to:

3. Hasil
Pada saat itu, kami mencapai gudang data medis tempat kami mengumpulkan informasi medis
tentang sektor Kesehatan Bejaia, dan alat pelaporan berdasarkan presentasi informasi secara
grafis. Dengan memastikan koneksi antara kubus data kami dan alat pelaporan, profesional
kesehatan dan pembuat keputusan dapat menggunakan sistem pendukung keputusan dengan
mudah dan langsung. Antarmuka prinsip dari alat pelaporan muncul pada Gambar 5 , yang
dengannya, pengguna bisa mendapatkan GUI lain yang memberikan informasi tentang berbagai
parameter kesehatan.
Gambar 5

Antarmuka pelaporan utama.

Pengguna dapat memperoleh laporan antara beberapa parameter medis yang akan dianalisis.
Jadi, sistem akan memberikan bantuan dan laporan tentang, misalnya, tempat optimal untuk
membangun atau memperluas pusat kesehatan dalam spesialisasi tertentu. Itu mungkin untuk
menganalisis data yang dikumpulkan dan untuk membuat histogram dari setiap penyakit dengan
kota-kota yang berbeda. Pada Gambar 6 , histogram mewakili setiap penyakit di kota tertentu.
Dengan menggunakan informasi yang dikumpulkan dalam gambar ini, kami dapat meningkatkan
distribusi spesialis medis di berbagai kota.
Gambar 6

Melaporkan tentang penyebaran penyakit di berbagai kota.

Go to:

4. Diskusi
Meskipun beberapa penelitian ( 13 , 14 ) telah menyarankan penggunaan data medis untuk
mengidentifikasi tren perawatan kesehatan, mencegah penyakit dan memerangi ketidaksetaraan
sosial, sedikit pekerjaan telah membahas pembagian dan penjatahan masalah sumber daya medis
menggunakan teknologi data pergudangan. Ini disebabkan, pertama, lambatnya adopsi teknologi
data pergudangan di sektor medis ( 15 ). Kedua, sebagian besar studi tentang pergudangan data
medis diarahkan pada penyakit tertentu. Memang, pergudangan data epidemiologis disajikan
oleh Kerkri et al ( 16 ) berdasarkan arsitektur EPIDWARE. Mereka berpendapat bahwa desain
EPIDWARE akan memfasilitasi studi statistik dan epidemiologis. Pergudangan data transkript
hati disajikan pada ( 17 ). Itu adalah bagian dari proyek bioinformatika bernama GADAW. Tim
GADAW mengumpulkan dalam basis pengetahuan tunggal, kompleks, beragam dan banyak data
gen hati untuk dianalisis. Contoh lain adalah gudang data untuk pengobatan diabetes yang
diusulkan dalam ( 18 ). Di Rwanda, gudang data ( 19 ) untuk sektor kesehatan Rwanda
berdasarkan Electronic Health Record diusulkan untuk proses pengambilan keputusan yang cepat
melalui penemuan, kemudian memperingatkan tentang masalah epidemi. Di Austria, PRT dari
berbagai organisasi asuransi kesehatan digabung dalam proyek kolaborasi obat berbasis bukti (
20 ), yang disebut HEWAF (Healthcare Warehouse Federation). Kebijakan kesehatan Perancis
mengembangkan proyek PMSI ( 21 ) (Program untuk Sistem Informasi Medis) yang ditujukan
untuk pengembangan analisis biaya berdasarkan pada kelompok terkait diagnosis. Karena
ketidaksetaraan distribusi sumber daya kesehatan terutama mempengaruhi negara-negara miskin,
pembagian dan alokasi sumber daya medis yang menggunakan sistem pendukung keputusan
hanya mendapat sedikit minat. Hal ini mendorong kami untuk mengimplementasikan solusi
pertama ( 22 ) di mana sebuah gudang data untuk penjatahan sumber daya medis yang optimal
diusulkan. Namun, hanya data yang berasal dari institusi kesehatan kota Bejaia yang
dipertimbangkan. Jadi, solusi ini mengabaikan kemampuan pasien untuk berpindah di antara
kota-kota di departemen Bejaia, yang mengurangi keakuratan keputusan yang diusulkan oleh
sistem pendukung keputusan ( 22 ) untuk distribusi sumber daya kesehatan. Pekerjaan ini
memperhitungkan semua pusat kesehatan departemen Bejaia sebagai sumber data tempat kami
mengumpulkan data. Solusi yang diusulkan mampu menangani beragam sumber data,
mengurangi batasan dimensionalitas, dan menangani berbagai faktor informasi. Namun,
keputusan terbaik untuk mengatasi ketidaksetaraan distribusi sumber daya kesehatan dapat
diambil ketika kami memperluas pekerjaan ini di tingkat nasional.

Go to:

5. Kesimpulan
Sistem pendukung keputusan medis adalah salah satu bidang yang paling menjanjikan, dan
teknologi baru sedang dirancang untuk implementasinya yang mudah. Dalam makalah ini, kami
menggambarkan pendekatan untuk desain gudang konseptual yang mengelola dan
mengoordinasikan sumber daya medis. Sistem pendukung keputusan yang diusulkan
memberikan banyak informasi mengenai epidemiologi dan kesehatan masyarakat, tentang
berbagai penyakit, konsentrasi mereka, dan partisi ulang di departemen Bejaia. Ini menunjukkan
kelas usia, periode, dan daerah yang terkena penyakit tertentu dll. Kami telah memberikan solusi
yang menarik di berbagai tingkatan (ekonomi, sosial, teknis, politik ...), itu akan menjadi
dukungan untuk analisis data untuk pengambilan keputusan untuk pengembangan sektor
kesehatan di Aljazair dan khususnya di wilayah Bejaia. Namun, memperluas solusi ini di tingkat
nasional akan memberikan hasil yang lebih baik. Selain itu, karena sifat sensitif data medis,
penting untuk mempertimbangkan masalah kebijakan privasi mereka sendiri.

Go to:

Ucapan Terima Kasih

Pekerjaan ini didukung oleh Universitas Bejaia dan Kementerian Pendidikan Tinggi dan
Penelitian Ilmiah Aljazair, di bawah proyek CNEPRU (Ref. B * 00620140066 / 2015-2018).
Para penulis dengan tulus berterima kasih kepada para pejabat Universitas Bejaia, Laboratorium
Informatika Medis Bejaia LIMED, dan institusi sektor Kesehatan Bejaia untuk mendukung
penelitian ini.

Go to:

Catatan kaki
Penyaringan otomatis: 15 Februari 2017, Pengeditan bahasa Inggris: 23 April 2017, Kontrol
kualitas: 10 Mei 2017

Konflik kepentingan:
Tidak ada konflik kepentingan untuk dinyatakan. Artikel ini adalah salah satu makalah terbaik
dari Konferensi Internasional tentang Ilmu Kesehatan dan Teknologi Medis, Tlemcen (Aljazair),
2016. Artikel ini diterbitkan secara gratis.