ir
Juni 2017, Volume: 9, Edisi: 6, Halaman: 4661-4668, DOI: http://dx.doi.org/10.19082/4661
Abderrazak Sebaa 1, Amina Nouicer 2, AbdelKamel Tari 1, Ramtani Tarik 2, Ouhab Abdellah 2
Abstrak
Latar Belakang: Sebuah studi tentang sumber daya kesehatan dapat meningkatkan keputusan mengenai peruntukan dan mobilisasi sumber daya medis dan untuk memandu
investasi masa depan di sektor kesehatan dengan lebih baik.
Tujuan: Tujuan dari pekerjaan ini adalah untuk merancang dan mengimplementasikan sistem pendukung keputusan untuk meningkatkan alokasi sumber daya medis di wilayah Bejaia.
Metode: Untuk mencapai studi kohort retrospektif, kami mengintegrasikan database klinis yang ada dari berbagai institusi sektor kesehatan
departemen 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 diterapkan selama tahap perencanaan yang memungkinkan pengelolaan orientasi
medis yang berbeda, menyediakan pembagian dan alokasi sumber daya medis yang lebih baik, dan memastikan bahwa alokasi sumber daya
perawatan kesehatan memiliki efek yang optimal pada peningkatan kesehatan.
Kesimpulan: Dalam studi ini, kami merancang dan mengimplementasikan sistem pendukung keputusan yang akan meningkatkan pelayanan kesehatan
di departemen Bejaia untuk secara khusus membantu dalam pemilihan lokasi yang optimal dari puskesmas dan rumah sakit, spesialisasi puskesmas,
peralatan medis dan tenaga medis. .
Kata kunci: Gudang data, sektor Kesehatan, Sistem pendukung keputusan
1. Perkenalan
1.1. Latar belakang dan spesifikasi masalah
Negara berkembang, terutama negara terbelakang sangat kekurangan dalam infrastruktur kesehatan dan staf medis. Negara-negara ini juga menderita rumah sakit yang kurang perlengkapan.
Bukti ketimpangan kesehatan antara negara miskin dan tidak miskin dan penduduk dirinci dalam (1). Pengambilan keputusan tentang penggunaan alternatif sumber daya perawatan kesehatan
merupakan masalah yang menjadi perhatian penting bagi pemerintah dan administrator di semua sistem perawatan kesehatan (2). Situasi ini mendorong para gubernur dan pembuat kebijakan
untuk mencari solusi. Aljazair adalah salah satu dari negara-negara berkembang ini dan berupaya untuk menemukan solusi untuk masalah yang sama ini. Oleh karena itu, direktur skema
kesehatan Aljazair berencana untuk menginvestasikan $ 20 miliar antara periode 2009 dan 2025 (3). Rencana investasi meliputi pembangunan dan modernisasi puskesmas dan rumah sakit,
akuisisi peralatan medis baru, pelatihan dan perekrutan badan kesehatan. Rencana rinci skema kesehatan Aljazair ini berencana untuk mencapai 172 pusat kesehatan umum, 45 pusat kesehatan
khusus, 377 poliklinik, 1000 pusat kesehatan regional, 17 sekolah pelatihan paramedis, dan lebih dari 70 lembaga disabilitas. 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 keputusan klinis
kepada dokter dan profesional kesehatan lainnya. Menggunakan teknologi data warehousing, ini adalah salah satu cara paling umum untuk mencapai sistem pendukung keputusan. Sebuah
gudang data (DW) adalah sistem yang digunakan Rencana rinci skema kesehatan Aljazair ini berencana untuk mencapai 172 pusat kesehatan umum, 45 pusat kesehatan khusus, 377 poliklinik,
1000 pusat kesehatan regional, 17 sekolah pelatihan paramedis, dan lebih dari 70 lembaga disabilitas. 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 keputusan klinis kepada dokter
dan profesional kesehatan lainnya. Menggunakan teknologi data warehousing, ini adalah salah satu cara paling umum untuk mencapai sistem pendukung keputusan. Sebuah gudang data (DW)
adalah sistem yang digunakan Rencana rinci skema kesehatan Aljazair ini berencana untuk mencapai 172 pusat kesehatan umum, 45 pusat kesehatan khusus, 377 poliklinik, 1000 pusat kesehatan regional, 17 sekolah pelatiha
untuk analisis data pelaporan, dan dianggap sebagai komponen inti dari intelijen bisnis (4). Merupakan kumpulan data yang disusun untuk digunakan sebagai
pendukung keputusan (5), seperti data yang dicirikan oleh faktor-faktor berikut:
• Data diatur berdasarkan tema atau subjek, mengumpulkan semua informasi yang berkaitan dengan topik tertentu, memfasilitasi
pengambilan keputusan.
• Data terutama digunakan dalam mode konsultasi dan lebih jarang diperbarui atau dihapus oleh pengguna. Ini terus
ketertelusuran informasi, melakukan analisis dalam waktu lama.
• Integrasi data (6) menghilangkan semua konflik representasi; sintaksis dan semantik, untuk mendapatkan seragam
dan representasi data yang konsisten ketika data dimuat di Data Warehouse.
1.2. Tujuan
Fokus penelitian ini adalah untuk mencapai suatu sistem pendukung keputusan yang melakukan pembagian dan peruntukan sumber daya medis di
Bejaia Health Sector. Faktanya, institusi perawatan kesehatan Bejaia terus berkembang. 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 dari perancangan dan pembangunan gudang ini adalah untuk menghasilkan platform untuk melakukan
pembagian dan peruntukan sumber daya medis yang adil, 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 hubungan khusus mereka, rencana rekrutmen staf medis,
2.1. Bahan
Kami membuat pilihan untuk menggunakan teknologi alat data warehousing berdasarkan database relasional. Perancangan database dilakukan
dengan model multidimensi. Implementasi data warehouse dilakukan dengan menggunakan SQL server. Alat pelaporan dilakukan dengan MS
Excel dan satu set program Microsoft Visual Basic (VBA) yang dirancang untuk kueri otomatis dari database.
2.2. Metode
Perancangan dan implementasi data warehouse adalah tugas yang kompleks yang terdiri dari beberapa langkah: identifikasi persyaratan, analisis
dan ekstraksi sumber data, Integrasi, pemuatan di gudang dan membangun berbagai alat pelaporan (analisis, penambangan data atau kueri).
Dalam proyek ini, dua jenis persyaratan diidentifikasi: persyaratan fungsional yang dimaksudkan untuk mencari informasi keputusan tentang
penyakit dan pasien dan puskesmas, seperti informasi pasien, nama dan jenis penyakit, pola penyakit lintas waktu, atau lokasi, dan perlengkapan
atau lingkungan, terkait. Persyaratan non-fungsional yang dimaksudkan untuk memastikan kecepatan pemrosesan, kinerja, dan keamanan.
Sumber-sumber ini mungkin saja termasuk database, 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 mendamaikan 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, itu mencakup 51 kotamadya. Sektor kesehatan
Bejaia mempekerjakan 33 staf rumah sakit universitas, 245 praktisi medis spesialis, 734 dokter umum, dan 2.742 staf paramedis. Misinya adalah untuk mendukung secara terpadu dan hierarkis,
kebutuhan kesehatan penduduk. Ini memiliki institusi berikut: Rumah sakit universitas, 15 institusi rumah sakit umum, institusi rumah sakit umum khusus, 51 poliklinik, 8 institusi kesehatan publik
terdekat, beberapa laboratorium, pusat transfusi darah, 30 unit perawatan di dekatnya, dan sekolah paramedis. Setiap pasien baru, dokter, atau penyakit harus dimasukkan ke HIS (sistem
informasi rumah sakit) Bejaia. Jadi, semua informasi tentang pasien, dokter mereka 734 dokter umum, dan 2.742 staf paramedis. Misinya adalah untuk mendukung secara terpadu dan hierarkis,
kebutuhan kesehatan penduduk. Ini memiliki institusi berikut: Rumah sakit universitas, 15 institusi rumah sakit umum, institusi rumah sakit umum khusus, 51 poliklinik, 8 institusi kesehatan publik
kedekatan, beberapa laboratorium, pusat transfusi darah, 30 unit perawatan terdekat, dan sekolah paramedis. Setiap pasien baru, dokter, atau penyakit harus dimuat ke dalam HIS (sistem
informasi rumah sakit) Bejaia. Jadi, semua informasi tentang pasien, dokter mereka 734 dokter umum, dan 2.742 staf paramedis. Misinya adalah untuk mendukung secara terpadu dan hierarkis,
kebutuhan kesehatan penduduk. Ini memiliki institusi berikut: Rumah sakit universitas, 15 institusi rumah sakit umum, institusi rumah sakit umum khusus, 51 poliklinik, 8 institusi kesehatan publik
kedekatan, beberapa laboratorium, pusat transfusi darah, 30 unit perawatan terdekat, dan sekolah paramedis. Setiap pasien baru, dokter, atau penyakit harus dimuat ke dalam HIS (sistem informasi rumah sakit) Bejaia. Jadi, se
Alamat, penyakit, tanggal kunjungan dan puskesmas yang dikunjungi harus disimpan dalam tabel yang ditunjukkan pada Gambar 1 P. w Sebuah h g saya e ch 46 Sebuah 6 kembali 2:
Dokter elektronik
“Pasien”, “Dokter”, “Penyakit”, “Periode”, “Bangsal Kesehatan” dan “Lokasi”. Langkah selanjutnya adalah model data, yang diperlukan untuk memenuhi kebutuhan yang direncanakan dan
dalam tabel fakta terdiri dari penunjuk (kunci asing - sering kali menggunakan kunci yang dihasilkan untuk efisiensi) ke setiap dimensi yang menyediakan multidimensi, koordinat, dan menyimpan
ukuran numerik untuk koordinat tersebut. Setiap tabel dimensi terdiri dari kolom yang sesuai dengan atribut dimensi (8). Tampilan terwujud dipilih untuk menyimpan data terintegrasi dari tabel
dimensi. Sebenarnya, tampilan terwujud adalah objek database yang berisi hasil kueri, atau duplikasi dari satu atau beberapa tabel. Umumnya, kami menggunakan tampilan terwujud karena
memungkinkan untuk dimodifikasi dengan cara yang berbeda: (untuk mengubah karakteristik penyimpanannya, untuk mengubah mode atau waktu penyegarannya. untuk mengubah strukturnya
sehingga menjadi jenis pandangan 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 tetap mutakhir 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. Pemeliharaan tampilan terwujud adalah
untuk menjaga tampilan terwujud tetap mutakhir 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. Pemeliharaan tampilan terwujud adalah untuk menjaga tampilan terwujud tetap mutakhir
ketika sumber data yang mendasarinya diperbarui dari waktu ke waktu (7, 9). Beberapa metode pemeliharaan diusulkan dalam literatur. Oleh karena itu, menggunakan metode pemeliharaan
Halaman 4663
http://www.ephysician.ir
Seperti yang diilustrasikan pada Gambar 2, tabel fakta (Pengukuran) terutama berisi tiga bagian informasi: kunci utama "Measure_id", kunci asing,
Patient_id, Doctor_id, Disease_id, Location_id, Period_id, Ward_id "dan satu set ukuran seperti jumlah pasien di lokasi dan periode tertentu.
Kumpulan tabel yang disajikan sebelumnya digunakan untuk membuat skema bintang yang ditunjukkan pada Gambar 3. Pusat bintang adalah
tabel fakta "Ukuran" dan titik tepi bintang adalah tabel dimensi "Pasien, Dokter, Penyakit, Periode, lokasi, dan bangsal kesehatan ”. Struktur tabel
dimensi yang didenormalisasi dalam skema bintang lebih sesuai untuk menjelajahi dimensi.
Halaman 4664
Dokter elektronik
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 database multidimensi kami untuk
kubus OLAP. Oleh karena itu, untuk mendesain gudang kami menggunakan MOLAP (Multidimensional OLAP) bersama dengan bahasa T-SQL.
Karena kami memiliki enam dimensi dan setiap 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) .
3. Hasil
Pada saat itu, kami mencapai gudang data medis tempat kami mengumpulkan informasi medis tentang sektor Bejaia Health, 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 dalam waktu nyata. Antarmuka utama alat pelaporan muncul pada Gambar 5, yang
dengannya, pengguna bisa mendapatkan GUI lain yang memberikan informasi tentang berbagai parameter kesehatan.
Halaman 4665
http://www.ephysician.ir
Pengguna dapat memperoleh laporan antara beberapa parameter medis yang akan dianalisis. Jadi, sistem akan memberikan bantuan dan laporan tentang, misalnya,
tempat yang optimal untuk membangun atau memperluas puskesmas dalam spesialisasi tertentu. Dimungkinkan untuk menganalisis data yang dikumpulkan dan
membuat histogram dari setiap penyakit dengan 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.
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 peruntukan masalah sumber daya medis
dengan menggunakan teknologi data warehousing. Hal ini disebabkan, pertama, lambatnya adopsi teknologi data warehousing di sektor medis
(15). Kedua, sebagian besar studi tentang pergudangan data medis diarahkan pada penyakit tertentu. Memang, gudang data epidemiologi
disajikan oleh Kerkri et al (16) berdasarkan arsitektur EPIDWARE. Mereka berpendapat bahwa desain EPIDWARE akan memfasilitasi studi
statistik dan epidemiologi. Sebuah gudang data transkriptom hepatik disajikan dalam (17). Itu adalah bagian dari proyek bioinformatika yang
disebut GADAW. Tim GADAW dikumpulkan dalam satu basis pengetahuan, data gen hati yang kompleks, bervariasi dan banyak untuk dianalisis.
Contoh lain adalah gudang data untuk pengobatan diabetes yang diusulkan dalam (18). Di Rwanda, gudang data (19) untuk sektor kesehatan
Rwanda berdasarkan Catatan Kesehatan Elektronik telah diusulkan untuk proses pengambilan keputusan yang cepat melalui penemuan,
kemudian memperingatkan tentang masalah epidemi. Di Austria, DW dari organisasi asuransi kesehatan yang berbeda digabungkan dalam proyek
kolaborasi obat berbasis bukti (20), yang disebut HEWAF (Healthcare Warehouse Federation). Kebijakan kesehatan Prancis mengembangkan
proyek PMSI (21) (Program untuk Sistem Informasi Medis) yang ditujukan pada pengembangan analisis biaya berdasarkan kelompok terkait
diagnosis. Karena ketidaksetaraan distribusi sumber daya kesehatan terutama mempengaruhi negara-negara miskin, pembagian dan peruntukan
sumber daya medis dengan menggunakan sistem pendukung keputusan mendapat sedikit perhatian. Hal ini mengarahkan kami untuk menerapkan
solusi pertama (22) di mana sebuah gudang data untuk alokasi sumber daya medis yang optimal telah diusulkan. Namun, hanya data yang berasal
dari instansi kesehatan Kota Bejaia yang dipertimbangkan. Jadi, solusi ini mengabaikan kemampuan pasien untuk berpindah antar kota
departemen Bejaia, yang mengurangi akurasi keputusan yang diusulkan oleh sistem pendukung keputusan (22) untuk distribusi sumber daya
kesehatan. Pekerjaan ini memperhitungkan semua puskesmas di departemen Bejaia sebagai sumber data tempat kami mengumpulkan data.
Solusi yang diusulkan mampu menangani berbagai sumber data, mengurangi kendala dimensi, dan menangani berbagai faktor informasi. Namun,
5. Kesimpulan
Sistem pendukung keputusan medis adalah salah satu bidang yang paling menjanjikan, dan teknologi baru sedang dirancang untuk penerapannya yang mudah.
Dalam makalah ini, kami menjelaskan pendekatan desain gudang konseptual yang mengelola dan mengkoordinasikan sumber daya medis. Sistem pendukung
keputusan yang diusulkan memberikan banyak informasi tentang epidemiologi dan kesehatan masyarakat, tentang berbagai penyakit, konsentrasinya, dan
partisi ulang di departemen Bejaia. Ini menunjukkan kelas usia, periode, dan area yang terkena penyakit tertentu dll. Kami telah memberikan solusi yang
menarik di
banyak tingkatan (ekonomi, sosial, teknis, politik ...), itu akan menjadi dukungan untuk analisis data untuk keputusan P. t Sebuah Sebuah g k e di 4 g 6 f 6 atau
e
pembangunan sektor kesehatan di Aljazair dan khususnya di wilayah Bejaia. Namun, memperluas solusi ini di th 6
Dokter elektronik
tingkat nasional akan memberikan hasil yang lebih baik. Selain itu, karena sifat sensitif data medis, penting untuk memperhitungkan masalah kebijakan
privasi mereka sendiri.
Konflik kepentingan:
Tidak ada konflik kepentingan untuk diumumkan. Artikel ini adalah salah satu makalah terbaik dari Konferensi Internasional tentang Ilmu
Kesehatan dan Teknologi Medis, Tlemcen (Aljazair), 2016. Artikel ini diterbitkan tanpa biaya.
Kontribusi penulis:
Semua penulis berkontribusi pada proyek dan artikel ini secara setara. Semua penulis membaca dan menyetujui naskah akhir.
Referensi:
1) Wagstaff A. Kemiskinan dan ketidaksetaraan sektor kesehatan. Bull World Health Organ. 2002; 80 (2): 97-105. PMID:
11953787, PMCID: PMC2567730.
2) Ross J. Penggunaan evaluasi ekonomi dalam perawatan kesehatan: Persepsi pengambil keputusan Australia. Kebijakan Kesehatan. 1995; 31 (2):
103-10. doi: 10.1016 / 0168-8510 (94) 00671-7, PMID: 10141251.
3) DAN SAYA: Nasional Agen untuk Investasi Pengembangan dari Aljazair. Tersedia dari:
http://www.andi.dz/index.php/fr/secteur-de-sante.
4) Dedić N, Stanier C. Evaluasi Tantangan Multilingualisme dalam Pengembangan Gudang Data. Konferensi Internasional ke-18 tentang
Sistem Informasi Perusahaan. 2016; 1: 196-206. doi:
10.5220 / 0005858401960206.
5) Inmon WH. Membangun Gudang Data. Edisi ke-2. New York: John Wiley and Sons; 1996.
6) Shah SP, Huang Y, Xu T, Yuen MM, Ling J, Ouellette BF. Atlas – gudang data untuk bioinformatika integratif. Bioinformatika BMC.
2005; 6: 34. doi: 10.1186 / 1471-2105-6-34. PMID: 15723693, PMCID: PMC554782.
7) Zhang X, Ding L, Elke A, Rundensteiner EA. Pemeliharaan tampilan multisource paralel. VLDB. 2004; 13 (1): 22-48. doi: 10.1007 /
s00778-003-0086-0.
8) Surajit CH, Dayal U. Tinjauan tentang pergudangan data dan teknologi OLAP. ACM. 1997; 26 (1): 65-74. doi: 10.1145 / 248603.248616.
9) Sebaa A, Tari A. Grup Tampilan Mandiri dalam Lingkungan P2P. American Academic & Scholarly Research Journal. 2014; 6 (4): 186.
10) Golfarelli M. Dari Persyaratan Pengguna hingga Desain Konseptual dalam Desain Data Warehouse - Survei. Masuk: IRMA Internasional. 2010;
Desain Data Warehouse dan Aplikasi Teknik Lanjut: Metode untuk Konstruksi Kompleks.
1-16. doi: 10.4018 / 978-1-60566-756-0.ch001.
11) Peter R, Coronel C, Morris S. Sistem database: desain, implementasi dan manajemen. Edisi ke-10.
Pembelajaran Cengage: Wadsworth Publ; 2013.
12) Lightstone SS, Teorey TJ, Nadeau T. Desain Basis Data Fisik: panduan profesional basis data untuk
mengeksploitasi indeks, tampilan, penyimpanan, dan lainnya. Morgan Kaufmann. 2010. ISBN: 13-9-78-0-12-369-389-1. kasus bisnis. ACM.
13) Ewen EF, Medsker CE, Dusterhoft LE. Data warehousing dalam sistem kesehatan terintegrasi: membangun
1998: 47-53. doi: 10.1145 / 294260.294271.
14) Kuo MH, Sahama T, Kushniruk AW, Borycki EM, Grunwell DK. Analisis data besar kesehatan: saat ini
perspektif, tantangan, dan solusi potensial. Jurnal Internasional Big Data Intelligence. 2014; 1 (1-
2): 114-26. doi: 10.1504 / IJBDI.2014.063835.
15) Sumathi S, Esakkirajan S. Dasar-dasar sistem manajemen database relasional. Belajar di
Kecerdasan Komputasi. 2007. ISBN: 978-3-540-48397-7.
16) Kerkri EM, Quantin C, Allaert FA, Cottin Y, Charve P, Jouanot F, dkk. Pendekatan untuk mengintegrasikan
sumber informasi yang heterogen di gudang data medis. J Med Syst. 2001; 25 (3): 167-76. doi:
10.1023 / A: 1010728915998. PMID: 11433546.
17) Guérin E, Marquet G, Burgun A, Loréal O, Berti-Equille L, Leser U, dkk. Mengintegrasikan dan menyimpan Integrasi Data dalam Ilmu
data ekspresi gen hati dan sumber daya biomedis terkait di GEDAW. Masuk: Lokakarya Internasional tentang
Hayati. 2005: 158-74. doi: 10.1007 / 11530084-14.
Halaman 4667
http://www.ephysician.ir
18) Pedersen TB, Jensen CS. Masalah penelitian dalam pergudangan data klinis. Dalam: Manajemen Basis Data Ilmiah dan Statistik. IEEE.
1998: 43-52. doi: 10.1109 / SSDM.1998.688110.
19) Pavalam SM, Jawahar M, Akorli FK. Arsitektur berbasis data warehouse untuk Electronic Health Records untuk Rwanda. Dalam:
Teknologi Pendidikan dan Manajemen (ICEMT). IEEE. 2010: 253-5. doi:
10.1109 / ICEMT.2010.5657660.
20) Banek M, Tjoa AM, Stolba N. Mengintegrasikan tingkat butir yang berbeda dalam federasi gudang data medis. Dalam: Konferensi Internasional
tentang Data Warehousing dan Knowledge Discovery. Springer-Berlin, Heidelberg. 2006: 185-94. doi: 10.1007 / 11823728_18.
21) Olive F, Gomez F, Schott AM, Remontet L, Bossard N, Mitton N. [Analisis kritis database sistem informasi berbasis DRG Prancis (PMSI)
untuk epidemiologi kanker: pendekatan longitudinal menjadi mungkin]. Pdt Epidemiol Sante Publique. 2011; 59 (1): 53-8. doi: 10.1016 /
j.respe.2010.09.001. PMID:
21251779.
22) Sebaa A, Tari A, Ramtani T, Ouhab A. DW RHSB: Kerangka Alokasi Sumber Daya Pelayanan Kesehatan yang Optimal. Jurnal
Internasional Ilmu Komputer, Komunikasi & Teknologi Informasi. 2015; 2 (1): 12-7.
Halaman 4668