Dokter Elektronik (ISSN: 2008-5842) http://www.ephysician.

ir
Juni 2017, Volume: 9, Edisi: 6, Halaman: 4661-4668, DOI: http://dx.doi.org/10.19082/4661

Sistem pendukung keputusan untuk alokasi sumber daya perawatan kesehatan

Abderrazak Sebaa 1, Amina Nouicer 2, AbdelKamel Tari 1, Ramtani Tarik 2, Ouhab Abdellah 2

1 Laboratorium LIMED, Departemen Ilmu Komputer, Universitas Bejaia, Aljazair

2 Departemen Ilmu Komputer, Universitas Bejaia, Aljazair

Jenis artikel: Asli

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

Penulis yang sesuai:

Abderrazak Sebaa, Departemen Ilmu Komputer, Universitas Bejaia, 06000 Bejaia, Aljazair. Telp: +213550098094,
Fax: +21334215986, Email: balzak.sebaa@gmail.com Diterima: 12 September 2016, Diterima: 02 Maret 2017,
Dipublikasikan: Juni 2017
Pemutaran Ithenticate: 15 Februari 2017, Pengeditan bahasa Inggris: 23 April 2017, Quality control: 10 Mei 2017
© 2017 Penulis. Ini adalah artikel akses terbuka di bawah persyaratan Lisensi Creative Commons Attribution-NonCommercial- NoDerivs, yang mengizinkan
penggunaan dan distribusi di media apa pun, asalkan karya aslinya dikutip dengan benar, penggunaannya non-komersial dan tidak ada modifikasi atau adaptasi yang
dibuat .
Halaman 4661
http://www.ephysician.ir

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. Bahan dan Metode

Studi penelitian ini dilakukan di institusi sektor kesehatan Bejaia. Memang, 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. Bahan dan metode yang digunakan dirinci di bagian ini.

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.

2.2.1. Sumber Data dan Populasi Studi

Ekstraksi data untuk mengambil data dari beberapa sumber yang heterogen dan terdistribusi. Untuk itu diperlukan sinkronisasi proses ekstraksi untuk memastikan integritas data dimuat.

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

mudah dikembangkan untuk memenuhi kebutuhan di masa mendatang.

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 dimana efisiensi dalam query dan pemuatan
data adalah penting (7). Jadi, kami memilih untuk menggunakan model multi-dimensi. Untuk membuat model multi-dimensi, kita mulai dengan
pembuatan 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, database terdiri dari satu tabel fakta dan satu tabel untuk setiap dimensi. Setiap tupel

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

tampilan dapat menghilangkan masalah perubahan data.

Gambar 2. Tabel fakta.

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.

Gambar 3. Skema bintang.

2.2.4. Transformasi data

Transformasi data adalah sekumpulan aturan untuk memformat dan mengonversi data yang diekstraksi dari satu format (mis., File database, dokumen XML, atau
lembar Excel) sesuai dengan skema gudang target, seperti menetapkan semantik ke sumber data dan menggabungkan bidang sumber ke bidang target .
Transformasi dilakukan dengan memetakan data yang masuk dari sumber yang berbeda menjadi format data warehouse Bejaia. Kami menggunakan beberapa
teknik, seperti menggabungkan beberapa bidang nama menjadi satu bidang atau memecah bidang, pembuatan pemetaan 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 tipe data lainnya.

2.2.5. Pemuatan data serta pembuatan dan penerapan OLAP Cube

Pemuatan data adalah langkah terakhir dari proses ETL. Ini terdiri dari memuat data ke dalam gudang data untuk tujuan 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 terpisah. Informasi ini disebut "Metadata". Gudang data didedikasikan untuk analisis keputusan gaya
OLAP. Ini menyediakan akses ke gudang, mengubah 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 kueri analitik secara instan.

Gambar 4. Kubus data.

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) .

2.2.6. Implementasi Data Warehouse

Berdasarkan beberapa parameter seperti: alat administrasi, perlindungan brute force, penyebaran dan pemeliharaan, kerahasiaan dan integritas data, kontrol
konkurensi, GUI, pencadangan dan pemulihan data, ketersediaan dan penguasaan perangkat lunak, kami membandingkan beberapa alat pembuatan
gudang data: 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 dari sistem pendukung keputusan medis kami adalah untuk mengatasi beberapa masalah yang meliputi 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 yang lengkap dengan pembagian kembali penawaran
perawatan yang lebih baik (spesialisasi rumah sakit, pembagian dan peruntukan peralatan medis, jumlah spesialis per rumah sakit, jumlah tempat
tidur berdasarkan lokasi, jumlah tempat tidur menurut spesialisasi) penawaran ini perlu secara rutin disesuaikan dengan perubahan minat
(mengubah prosedur kesejahteraan, penyakit, struktur kesejahteraan, usia penduduk dan alamat penduduk). Data warehouse kami akan
membantu para pengambil keputusan untuk menetapkan pilihan target yang akan mendorong penurunan biaya yang sangat besar,

2.3. Aspek etika

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

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.

Gambar 5. Antarmuka pelaporan utama.

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.

Gambar 6. Pelaporan tentang penyebaran penyakit 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.

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). Penulis mengucapkan terima kasih yang sebesar-besarnya kepada pejabat Universitas Bejaia, Laboratorium Informatika Medik
Bejaia LIMED, dan institusi sektor Kesehatan Bejaia yang telah mendukung penelitian ini.

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