Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.
com
Jurnal Irak untuk Komputer dan Informatika
GUDANG DATA KLINIS: TINJAUAN
Alaa Alaa Khalaf Hamoud1
1Sekolah Tinggi Ilmu Komputer dan 2Sekolah Tinggi Ilmu Komputer dan
Teknologi Informasi / Universitas Teknologi Informasi / Universitas
Basrah. Basrah Irak
Alaak7alaf@gmail.com alishashim2009@gmail.com
Abstrak-Keputusan klinis sangat penting karena berkaitan dengan
kehidupan manusia. Dengan demikian, manajer dan pengambil
keputusan di lingkungan klinis mencari solusi baru yang dapat
mendukung keputusan mereka. Sebuah gudang data klinis (CDW)
adalah solusi penting yang digunakan untuk mencapai tujuan
pemangku kepentingan klinis dengan menggabungkan sumber data
yang heterogen dalam repositori pusat dan menggunakan repositori ini
untuk menemukan jawaban yang terkait dengan domain klinis
strategis, sehingga mendukung keputusan klinis. Implementasi CDW
menghadapi banyak kendala, mulai dari sumber data dan diakhiri
dengan alat yang melihat informasi klinis. Makalah ini menyajikan
gambaran sistematis tentang tujuan PRTA serta karakteristiknya;
persyaratan; sumber data; mengekstrak, mengubah, dan memuat (ETL)
proses; masalah keamanan dan privasi; pendekatan desain; Arsitektur;
serta tantangan dan kesulitan yang terkait dengan pelaksanaan CDW
yang berhasil. PubMed dan Google Scholar digunakan untuk
menemukan makalah yang terkait dengan CDW. Di antara total 784
makalah, hanya 42 yang termasuk dalam tinjauan pustaka. Makalah ini
diklasifikasikan berdasarkan lima perspektif, yaitu metodologi, data,
sistem, alat dan tujuan ETL, untuk menemukan wawasan terkait aspek
CDW. Tinjauan ini dapat memberikan kontribusi jawaban atas
pertanyaan yang terkait dengan CDW dan memberikan rekomendasi
untuk menerapkan CDW yang sukses.
Ketentuan Indeks - Gudang Data Klinis, Gudang Data,
ETL, Sistem Operasional Klinis, Rekam Medis Elektronik.
sayaPENDAHULUAN
Ketertarikan pada sistem medis harus dipertimbangkan sebagai
prioritas karena semua pemangku kepentingan di lingkungan
medis bertujuan untuk memberikan layanan terbaik bagi pasien
dan menemukan platform terbaik untuk pengambilan keputusan.
Baru-baru ini, data klinis telah digunakan untuk tujuan baru selain
tujuan klinis, seperti penelitian, peningkatan pengobatan dan
pengambilan keputusan penting [1]. Organisasi klinis mencari
teknologi baru untuk menemukan hubungan antara catatan klinis
yang tidak berkorelasi, seperti riwayat pasien, pengobatan,
diagnosis, catatan dokter, catatan rumah sakit, dan informasi
pribadi [2].
Biaya obat-obatan dan perawatan terus meningkat; dengan demikian,
menemukan alat dan sistem yang mengurangi biaya ini adalah tujuan
semua institusi medis. Sebuah gudang data klinis (CDW) dianggap
sebagai pendekatan terbaik untuk mencapai tujuan ini. Keputusan
berdasarkan data yang salah atau salah dapat menyebabkan hasil yang
buruk daripada keputusan yang mendukung [3, 4].
Jil. [44], Edisi [2], Tahun (2018)
Ali Salah Hashim2 Wid Akeel Awadh3
3Sekolah Tinggi Ilmu Komputer dan
Teknologi Informasi / Universitas
Basrah, Basrah, Irak. Basrah, Basrah, Irak.
umzainali@gmail.com
Data warehouse (DW) adalah salah satu platform terpenting yang
membantu pemangku kepentingan dalam berbagai disiplin ilmu membuat
keputusan. Data dalam DW diintegrasikan dan dimodelkan dalam bentuk
multidimensi, sehingga membuat visualisasi dan analisis menjadi cepat dan
mudah [5]. Jenis data yang disimpan dalam DW harus memungkinkan
pemangku kepentingan dan institusi untuk mendapatkan hasil berkualitas
tinggi yang mendukung keputusan penting [6].
DW memproses data dari sistem penyimpanan data operasional.
Proses ini membutuhkan alat dan komponen perangkat keras
untuk memastikan penyimpanan yang aman dan analisis data
besar yang efisien yang dibutuhkan institusi, organisasi, peneliti,
dan lainnya dalam membuat keputusan strategis dan operasional.
DW tidak hanya alat yang digunakan dalam mentransfer data
tetapi juga alat dalam mengkonsolidasikan, menganalisis, query
dan menyajikan informasi. Keberhasilan DW di banyak bidang telah
mendorong institusi klinis untuk mengadopsinya sebagai platform
untuk penelitian, manajemen, analisis, dan pengambilan
keputusan [7-9].
Sebagai pendekatan baru DW, CDW dapat meningkatkan kualitas
keputusan medis dan pemrosesan data online. CDW dapat berfungsi
sebagai dasar untuk melaporkan, mempelajari, merencanakan dan
mendukung penelitian klinis. Selain itu, CDW menyederhanakan
pemrosesan data, analisis, dan meningkatkan pengambilan keputusan
klinis. Penggunaan CDW dalam penelitian biomedis menghadapi
banyak tantangan. Karakteristik yang diperlukan untuk menerapkan
CDW yang sukses belum didefinisikan dengan jelas karena banyak DW
di institusi medis hanya fokus pada manajemen [9, 10].
Konstruksi CDW adalah tugas yang sulit dari perencanaan hingga
implementasi. Prosedur klinis yang berbeda dari perawatan intensif
hingga pengobatan mengandung berbagai data dan menghasilkan
data yang heterogen [11]. Proses implementasi CDW jika penuh dengan
kendala dimulai dari analisis sumber data dan diakhiri dengan
implementasi access tools (OLAP, KPI, dan report console). Kesulitan
dalam mendeteksi bentuk data yang tepat dan bagaimana
mengkonsolidasikan format data yang berbeda merupakan suatu
tantangan. Tantangan lain adalah menangani data klinis jangka
panjang, yang berbeda dengan menangani data klinis jangka pendek.
Tantangan yang dialami oleh para pemangku kepentingan adalah
bahwa kebutuhan mereka bervariasi tergantung pada prosedur klinis
dan format data. Dalam tulisan ini, pertanyaan-pertanyaan berikut akan
dijawab: Apa tujuan utama CDW? Apa alat yang tepat untuk
mengimplementasikan ekstrak, mengubah dan memuat (ETL) proses?
Apa pendekatan yang tepat untuk diterapkan?
doi:10.25195/2017/4424| 1
 Jurnal Irak untuk Komputer dan Informatika
CDW? Apa masalah keamanan yang terkait dengan penerapan
CDW? Apakah implementasi CDW melibatkan masalah privasi
data? Apa persyaratan sistematis untuk membangun CDW
yang sukses? Bagaimana CDW berbeda dari tipe DW lainnya?
Apa isu terpenting terkait data yang mempengaruhi
pelaksanaan CDW? Apakah cadangan diperlukan? Apa alat ETL
yang lebih disukai untuk mengimplementasikan CDW?
Makalah ini disusun sebagai berikut. Bagian 2 menjelaskan DW
dan CDW secara sederhana. Bagian 3 mencantumkan
karakteristik CDW. Bagian 4 menyediakan kemungkinan
sumber data yang dapat digunakan dalam CDW. Bagian 5
menjelaskan secara singkat proses ETL, yang dianggap sebagai
operasi dasar dalam CDW. Bagian 6 berisi daftar tantangan dan
kesulitan pelaksanaan CDW, dan Bagian 7 menyajikan tinjauan
literatur terkait. Terakhir, Bagian 8 memberikan kesimpulan
dan rekomendasi.
II. CDW
DW telah didefinisikan dari berbagai perspektif. Inmon, penemu
DW, mendefinisikan DW sebagai "data yang berorientasi pada
subjek, terintegrasi, varian waktu, dan tidak mudah berubah untuk
mendukung keputusan manajemen". Berorientasi pada subjek
berarti hanya data yang relevan yang dikumpulkan dan disimpan
untuk menyajikan informasi yang berguna terkait dengan subjek.
Properti terintegrasi menjelaskan gaya dan format data yang
disimpan di mana semua tipe data, konvensi penamaan,
pengkodean, domain data, dan pengukuran harus disatukan dalam
bentuk standar. Properti nonvolatil memastikan bahwa data yang
disimpan dalam DW tidak boleh berubah setelah eksekusi proses
operasional apa pun, di mana varian waktu berarti bahwa data
dalam DW harus historis dan ada (lihat Gambar 1) [12-14].
Gambar 1: Arsitektur DW
CDW, disiplin DW yang muncul, mengacu pada penyimpanan pusat yang
menyediakan akses bagi pemangku kepentingan CDW yang berbeda untuk
memanfaatkan data dan pengetahuan klinis sehingga mereka dapat menganalisis
situasi perawatan dan membuat keputusan penting. CDW mengumpulkan data
dari berbagai departemen, laboratorium, dan operasional
Jil. [44], Edisi [2], Tahun (2018)
penyimpanan data ke dalam sistem penyimpanan tunggal [8, 14]. CDW
memproses informasi DW yang terkait dengan rumah sakit dan memvalidasi
data mana yang dapat digunakan untuk penelitian, manajemen, praktik
klinis, dan/atau administrasi. CDW dapat digunakan oleh semua pemangku
kepentingan layanan kesehatan untuk mengakses data klinis dan
memperoleh hasil dalam berbagai disiplin ilmu untuk mendukung
pengambilan keputusan. Data klinis di CDW bervariasi dan berbeda dari
informasi yang terkait dengan catatan pasien (seperti perawatan, prosedur
yang dilakukan, tanda-tanda vital, demografi, biaya perawatan dan
persediaan yang digunakan) hingga data penelitian, manajemen, dan
administrasi. CDW dibedakan menjadi banyak kategori yang mendukung
penelitian, seperti CDW lembaga tunggal, CDW multi-lembaga dan penelitian
penggunaan CDW [9, 15].
Pendapat terbagi mengenai apakah PRTA harus
ditempatkan di dalam atau di luar rumah sakit atau
departemen klinis. Oleh karena itu, jika CDW berada di luar
rumah sakit atau departemen klinis, implementasinya akan
sulit karena komunikasi diperlukan selama ETL dan
integrasi data antara pemangku kepentingan klinis dan tim
TI. Juga, jika CDW terletak di luar departemen klinis, itu
dapat diabaikan. Namun, jika lokasi CDW berada di luar
rumah sakit, integrasi dengan data non-klinis mungkin
lebih mudah.
Beberapa faktor yang diperlukan untuk menghadapi hambatan
untuk mengimplementasikan CDW, seperti integritas data,
desain skema temporal suara, ekspresi kueri, integrasi data
heterogen, integrasi evolusi pengetahuan, integrasi evolusi
sumber, keterlacakan dan otomatisasi terpandu [11].
Gambar 2: Arsitektur CDW
doi:10.25195/2017/4424| 2
 Jurnal Irak untuk Komputer dan Informatika
Gambar 2 menunjukkan arsitektur CDW yang disederhanakan,
bagaimana data melewati ETL ke dalam CDW dan bagaimana alat
analisis digunakan oleh pemangku kepentingan klinis untuk tujuan
pengambilan keputusan, penelitian dan manajemen. Sumber data
dalam CDW bervariasi dari jenis sumber data DW lainnya dalam banyak
kriteria seperti keragaman dan kompleksitas struktur data, masalah
privasi yang terkait dengan pasien, jenis data yang berbeda, duplikasi
data klinis, dan berbagai platform sumber data. Data klinis masih
muncul dan struktur data yang berbeda dan kompleks muncul dan
struktur data ini membutuhkan lebih banyak analisis dan waktu untuk
menambahkannya ke CDW yang ada. ETL merupakan bagian terpenting
dalam CDW karena merupakan ruang belakang untuk keberhasilan
implementasi CDW. Alat ETL masih muncul dan alat baru diperlukan
untuk menangani data baru dan mengubah data baru menjadi
informasi yang berguna. Jenis CDW yang menyimpan informasi klinis
bervariasi dari DW perusahaan hingga data mart klinis tergantung pada
ukuran data dan jumlah departemen yang terlibat. Jenis terbaik yang
direkomendasikan untuk mengimplementasikan CDW adalah DW
perusahaan karena menyimpan semua data yang terkait dengan
perusahaan. Karena sulit untuk menerapkan DW klinis perusahaan
karena data departemen yang berbeda dan sulit untuk menangani
semua data dalam skema tunggal, tetapi manfaat DW klinis perusahaan
adalah untuk menemukan pola tersembunyi dalam data klinis.
CDW mengurangi waktu pengumpulan data dan
menyimpannya di Clinical Operational Data Stores (CODS).
Kualitas data terjamin dengan menggunakan CDW karena data
divalidasi sebelum disimpan di CODS [16, 17].
Manfaat menggunakan CDW tercantum sebagai berikut [8-10, 16, 18,
19]:
• Membantu menentukan hubungan antara atribut data klinis,
menemukan perilaku penyakit, mengevaluasi prosedur
pengobatan dan meningkatkan hasil pasien;
• Menyediakan pengguna dengan berbagai informasi yang berkaitan dengan
bidang manajemen dan penelitian;
• Menggunakan platform DW untuk meningkatkan kualitas dan
kuantitas data, serta meningkatkan kinerja kueri dan kecerdasan bisnis
[20].
• Meningkatkan kualitas perawatan yang diberikan kepada pasien;
• Menggunakan platform berbasis pengetahuan untuk membuat keputusan yang
tepat tentang isu-isu kritis;
• Mengurangi waktu yang dihabiskan untuk pengumpulan data dan meningkatkan
kualitas data; dan
• Menyediakan platform untuk analisis tepat waktu dan sistem
pengambilan keputusan online untuk sistem administrasi,
penelitian, klinis dan manajemen [21].
AKU AKU AKU. CDW CHARAKTERISTIK
Data klinis harus dikumpulkan tergantung pada sifat dan
konteks, waktu dan tujuan analisis masa depan [11]. CDW
harus memastikan perlindungan privasi pasien. Desain
penelitian, presentasi grafik dan ekstraksi data adalah area
utama CDW [9]. Keuntungan utama CDW adalah kualitas data
Jil. [44], Edisi [2], Tahun (2018)
karena mampu menentukan keandalan data yang dibutuhkan
untuk perencanaan, analisis dan pengambilan keputusan. Namun,
masalah kualitas data dapat terjadi dalam hal aksesibilitas,
validitas, kesegaran, relevansi, kelengkapan, konsistensi,
keandalan, dan integritas.
Kualitas data klinis merupakan masalah kritis karena
mempengaruhi pengambilan keputusan dan keandalan penelitian.
Kualitas data dapat dipastikan dengan mengekstrak data yang
memenuhi kebutuhan pemangku kepentingan CDW dan
menyimpannya dalam format tertentu. Masalah kualitas data
terjadi di berbagai bagian data warehousing dan ETL (data
profiling, data staging dan proses ETL) dan implementasi CDW
(desain skema dan pemodelan) [22].
ETL medis sensitif terhadap kualitas dan integritas data karena data
berkualitas rendah dapat memengaruhi pendapatan organisasi klinis
dan proses pengambilan keputusan. Kompleksitas struktur data klinis
dan keragaman operasi medis memerlukan penerapan ETL yang
kompleks sebelum data dimuat ke dalam penyimpanan CDW.
Departemen medis yang berbeda memerlukan berbagai alat untuk
menghubungkan sumber data yang berbeda dan menangani berbagai
format data yang dihasilkan untuk menerapkan ETL [10, 23].
Untuk membangun dan menerapkan PRTA yang sukses, banyak pendekatan yang tersedia seperti
persyaratan pengguna, informasi, keteraturan dan etika. Persyaratan pengguna dapat menyebabkan
kesulitan dalam ETL karena pemangku kepentingan memiliki kebutuhan yang berbeda untuk laporan CDW.
ODS online dan lainnya serta jenis data yang disimpan di dalamnya menghasilkan kebutuhan pengguna
yang berbeda. Persyaratan informasi mengacu pada jenis dan biaya data yang digunakan untuk
menyelesaikan proses ETL. Alat ETL bervariasi dari open source hingga komersial, dan memiliki
kemampuan dan metode yang berbeda untuk memproses jenis kumpulan data tertentu. Ketentuan etika
dan hukum wajib untuk menjaga privasi pasien dan melindungi data mereka. Pasien harus diberitahu
tentang penggunaan data mereka untuk penelitian dan bagaimana bekerja sama lebih lanjut dengan entri
data [24, 25]. Pengembangan PRTA melibatkan kendala privasi dan keamanan selain dari kebijakan yang
terkait dengan data medis. Isu utama dalam keamanan dan privasi adalah integritas, ketersediaan, dan
kerahasiaan data yang akan dibagikan antar departemen. Integritas berarti bahwa data tidak boleh diubah
melalui tindakan yang tidak sah. Ketersediaan berarti bahwa data harus dapat diakses oleh orang yang
berwenang setiap saat. Kerahasiaan berarti menjaga agar data tidak dapat dijangkau oleh orang yang tidak
berwenang. Berbagi informasi pasien antara departemen yang berbeda dan menjaga kerahasiaan
merupakan tantangan utama [26, 27]. Integritas berarti bahwa data tidak boleh diubah melalui tindakan
yang tidak sah. Ketersediaan berarti bahwa data harus dapat diakses oleh orang yang berwenang setiap
saat. Kerahasiaan berarti menjaga agar data tidak dapat dijangkau oleh orang yang tidak berwenang.
Berbagi informasi pasien antara departemen yang berbeda dan menjaga kerahasiaan merupakan
tantangan utama [26, 27]. Integritas berarti bahwa data tidak boleh diubah melalui tindakan yang tidak sah.
Ketersediaan berarti bahwa data harus dapat diakses oleh orang yang berwenang setiap saat. Kerahasiaan
berarti menjaga agar data tidak dapat dijangkau oleh orang yang tidak berwenang. Berbagi informasi
pasien antara departemen yang berbeda dan menjaga kerahasiaan merupakan tantangan utama [26, 27].
Skenario dalam menjaga privasi data klinis adalah sebagai
berikut [28]:
- menerapkan kebijakan standar dokter-pasien untuk
berbagi data;
- menerapkan pembatasan privasi data selama pembuatan
tabel ODS pertama; dan
doi:10.25195/2017/4424| 3
 Jurnal Irak untuk Komputer dan Informatika Jil. [44], Edisi [2], Tahun (2018)

- mengikuti peraturan pemerintah untuk menjaga privasi kategori penting untuk domain klinis tetapi tidak
pasien. penting untuk domain lain.
Dalam beberapa tahun terakhir, sistem klinis telah diserang oleh Catatan kesehatan elektronik (EHR) yang menyimpan data klinis
peretas yang telah melanggar file medis pasien, catatan tagihan dan pasien adalah salah satu sumber data yang paling sering
asuransi, detail pembayaran, dan data lainnya. Insiden-insiden ini digunakan untuk CDW. ETL di CDW memuat data mentah rekam
menekankan perlunya PRTA memiliki perlindungan data dengan medis elektronik (EMR) setelah ekstraksi, pembersihan,
keamanan tinggi. rekonstruksi, dan mengubahnya menjadi tabel skema CDW agar
konsisten dengan basis data warisan klinis lainnya. CDW dapat
menyediakan antarmuka analitis untuk mengakses dan menilai
IV. DATASSUMBER
EHR dan menggunakan hasilnya dalam penelitian klinis [9, 29].
Sumber data merupakan dasar dari implementasi CDW. Parameter kualitas data yang harus dipastikan adalah
Sumber data klinis bervariasi tergantung pada prosedur klinis, kelengkapan, akurasi dan konsistensi. Data yang tidak lengkap dari
perangkat dan departemen medis. Jenis sumber data klinis ODS dapat menghasilkan tugas tambahan untuk ETL. Inkonsistensi
adalah sebagai berikut: dan ketidakakuratan data juga dapat mengakibatkan persiapan
• Laboratorium, yang merupakan hasil pengujian laboratorium; data tambahan untuk ETL. Data berkualitas rendah seperti yang
• Diagnosis, yang mencantumkan rincian proses disebutkan di atas memerlukan cara penanganan dan pemrosesan
diagnosis; baru, yang menyebabkan upaya dan biaya tambahan [29].
• Demografi, yang digunakan untuk memperkaya analisis
data lingkungan;
V. ETL
• Perawatan, yang mengacu pada informasi terkait proses
perawatan seperti prosedur, jenis dan risiko; ETL melibatkan tiga tahap penanganan data: ekstraksi,
• Klinis, yang merepresentasikan informasi pasien terkait gaya transformasi, dan pemuatan. Ekstraksi bertanggung jawab
hidup dan kebiasaannya; informasi ini dapat digunakan untuk untuk menghubungkan berbagai sumber data dan
meningkatkan kemampuan analisis data [1, 10]. mengekstraksi data yang relevan untuk analisis dan
penelitian. Kesulitan dalam ekstraksi adalah adanya sumber
data yang heterogen sehingga membutuhkan pendekatan
yang berbeda untuk menghubungkan dan mengekstraksi.
Tabel 1: Data CDW dibandingkan dengan domain lain [9] ETL membutuhkan alat khusus untuk menangani sumber
data yang heterogen. Tahap kedua adalah transformasi, di
Kategori Klinis Lainnya mana data yang diekstraksi ditransformasikan ke format
Domain tertentu berdasarkan aturan, fungsi, dan kondisi sebagai
Transaksi Unik Berulang-ulang
persiapan untuk tahap berikutnya. Tahap kedua
Tipe data Campuran (teks, kode, Nomor memastikan bahwa data terintegrasi dan terkonsolidasi
nomor, gambar) untuk memfasilitasi tahap akhir. Pada tahap akhir, data
Umum Diperlukan normalisasi Yang ada
ditransformasikan ke dalam bentuk dimensional dan
kosakata dimuat ke dalam tabel DW dengan skema bintang atau
Waktu nilai Penting Bukan
kepingan salju.
informasi penting
Luar Penting Bukan VI. SayaSSU DANCTANTANGAN
kategori penting
Tantangan dan isu terkait CDW adalah sebagai berikut [1,
8-11, 16]:
Tabel 1 menunjukkan bahwa data klinis berbeda dari domain
• Independensi sumber data. Sumber data klinis independen dengan
lain, sehingga menyebabkan kesulitan dalam proses
berbagai kondisi dan lingkungan yang dapat menyebabkan sistem
implementasi CDW. Transaksi yang terkait dengan domain
klinis berbeda dibangun dengan media penyimpanan yang berbeda.
klinis adalah unik untuk setiap pasien setiap saat, sedangkan
Independensi sumber data memerlukan analisis dan perencanaan
transaksi di domain lain, seperti bank dan universitas,
untuk menerapkan ETL yang fleksibel, yang mungkin membutuhkan
berulang. Seperti disebutkan, tipe data berkisar dari teks, kode,
waktu dan usaha.
angka, gambar dan video, sementara domain lain dapat
• Ketersediaan data. Ketersediaan data di berbagai sumber bergantung
diimplementasikan berdasarkan angka saja. Proses normalisasi
pada kelengkapan dan desain. Sistem operasional yang lama dapat
dalam data klinis diperlukan untuk menghilangkan duplikasi,
bekerja dengan berbagai kebijakan dan kewajiban pada entri dan jenis
sedangkan normalisasi tidak diperlukan untuk domain lain dan
data, yang dapat mempengaruhi aksesibilitas data secara keseluruhan.
catatan yang ada dapat diandalkan. Informasi nilai waktu tidak
Peningkatan besar dalam volume data klinis memerlukan pengaturan
signifikan untuk domain lain tetapi signifikan untuk data klinis.
baru untuk menghubungkan data lama dan baru.
Sumber data eksternal dan

doi:10.25195/2017/4424| 4
 Jurnal Irak untuk Komputer dan Informatika
• Format data. Format data klinis berkisar dari teks dan
gambar hingga video dan sinyal. Data klinis juga dalam
bentuk numerik, kualitatif, kuantitatif untuk gambar,
ultrasound, waktu sekuensial, sinyal, protein dan
microarray [32].
• Metode pengumpulan data. Dua jenis metode pengumpulan data adalah
manual dan otomatis. Pengumpulan data manual menghabiskan waktu dan
tenaga dalam entri data dan rentan terhadap kesalahan yang memerlukan
pembersihan. Pengumpulan data otomatis tidak menghabiskan banyak
waktu dan tenaga; dengan demikian, kurang rentan terhadap kesalahan
dibandingkan dengan pengumpulan data manual. Data klinis jangka
panjang terkait penyakit tertentu, seperti diagnosis berkelanjutan,
memerlukan pendekatan yang berbeda dibandingkan dengan data medis
jangka pendek.
• Alat integrasi data. Salah satu tantangan terpenting dalam CDW
adalah mengimplementasikan alat integrasi data. Integrasi data
adalah proses menggabungkan beberapa data dari data yang tidak
berkorelasi dan dari departemen yang berbeda dalam satu
repositori. Berbagai departemen klinis, prosedur perawatan, tipe
data, dan atribut membuat proses integrasi data menjadi sangat
sulit. Proses integrasi melibatkan penataan ulang, konsolidasi dan
integrasi data dalam bentuk terpadu untuk menganalisis data.
Persiapan data dan waktu integrasi dapat menghabiskan 90% dari
keseluruhan konstruksi CDW, yang memerlukan upaya untuk
menganalisis data dan membangun skema yang solid.
• masalah ETL. Format data yang berbeda dari berbagai sumber data
memerlukan alat ETL yang dapat membuat format fleksibel untuk
memungkinkan pendekatan penambangan data dan pembelajaran
mesin untuk pengambilan informasi. Berurusan dengan berbagai
sumber data, skema, atribut, dan tipe data adalah tugas yang
menantang di CDW. Menangani data klinis lama dan mengubahnya
menjadi bentuk khusus untuk dimuat ke tabel CDW memerlukan alat,
skenario, dan rencana untuk digabungkan dengan data baru. Memilih
skema yang tepat (apakah bintang atau kepingan salju) membutuhkan
bidang analisis data yang besar, yang harus kompatibel dengan
laporan penelitian yang dihasilkan.
• Sistem warisan. Banyak waktu dan usaha harus dihabiskan untuk
mengumpulkan data dari sistem klinis warisan, tetapi data klinis
bermanfaat untuk penelitian masa depan.
• Kualitas data. Masalah kelengkapan, validitas, akurasi,
kesesuaian, dan integritas data harus ditangani oleh:
Tabel 2: Perspektif Metodologi dan Sistem
Seq. Ref. Pengarang
Arsitektur
1 [34] Nicolas
2 [33] lain √ Perintahkan ke bawah
3 [35] John √ Perintahkan ke bawah
4 [36] Lekha √ Perintahkan ke bawah
5 [37] Kislaya √ Perintahkan ke bawah
6 [38] Christine
7 [39] Nicolas
8 [40] Barrett
Jil. [44], Edisi [2], Tahun (2018)
menggunakan solusi yang berbeda. Data berkualitas rendah harus
disempurnakan dan dinilai berdasarkan kriteria tertentu.
• Privasi data. Ekstraksi data harus memastikan privasi dan
perlindungan pasien. Kebijakan dan peraturan pemerintah sangat
penting selain dari pembatasan hukum dan etika.
• Skema CDW. Desain model data relasional dan dimensional adalah dua
model yang sudah dikenal untuk mengimplementasikan DW. Desain model
relasi dapat digunakan untuk memecahkan masalah konsistensi dan
integritas data dan menangani data volume yang berkembang. Desain
model dimensi dapat digunakan untuk masalah yang stabil dan diketahui
untuk memperbaiki kebutuhan pengguna akhir. Secara umum, arsitektur ad-
hoc lebih disukai karena persyaratannya bervariasi dari satu departemen ke
departemen lainnya.
• Standar institusi klinis. Kurangnya standar antar lembaga
membuat pengumpulan dan integrasi data menjadi sangat
sulit.
• Pemangku kepentingan klinis. Ini semua adalah orang-orang yang terlibat
dalam penggunaan CDW, seperti dokter, dokter, peneliti, dokter, manajer
dan administrator di institusi medis. Pemangku kepentingan klinis dapat
menggunakan CDW untuk meningkatkan perawatan kesehatan,
meningkatkan kualitas hidup pasien dan mengurangi wabah penyakit
dengan membuat keputusan strategis yang tepat [33].
• Alat analisis. Jendela ujung depan menyimpan berbagai alat dan
pendekatan yang menggunakan CDW untuk menunjukkan hasil
dalam bentuk laporan, grafik, dan indikator. Alat yang berbeda,
seperti pemrosesan analitik online (OLAP), dapat
diimplementasikan pada CDW untuk menyajikan informasi seperti
indikator kinerja utama [12].
VII. LITERATURSEBUAHANALISIS
Pencarian melalui PubMed dan Google Scholar untuk "gudang data
klinis" mengungkapkan 784 makalah; setelah penyaringan, hanya
42 makalah yang disertakan dalam ulasan ini. Makalah-makalah ini
akan diklasifikasikan dan ditinjau untuk menjawab pertanyaan-
pertanyaan berikut: Apa tujuan utama CDW? Apa alat yang tepat
untuk mengimplementasikan ETL? Apakah ada masalah privasi
data? Apa persyaratan sistematis lainnya untuk membangun CDW
yang sukses? Analisis literatur pada Tabel 2 mengklasifikasikan
makalah menurut lima kategori: metodologi, sistem, data, alat ETL
dan tujuan.
Metodologi Sistem
Pendekatan Desain Dep. Cadangan Keamanan
Perintahkan ke bawah 1H √
√ √
1D
7C √ √
Perintahkan ke bawah √
Perintahkan ke bawah
Perintahkan ke bawah
doi:10.25195/2017/4424| 5
 Jurnal Irak untuk Komputer dan Informatika Jil. [44], Edisi [2], Tahun (2018)

9 [41] Denis Perintahkan ke bawah 1D

10 [42] Christoph Perintahkan ke bawah

11 [43] Martin √ Perintahkan ke bawah 1D

12 [44] Osama √ Perintahkan ke bawah 1D
13 [45] Eric Perintahkan ke bawah 1H √

14 [46] Kristen Perintahkan ke bawah 3D

15 [47] Jyoti √ Perintahkan ke bawah 1C √
16 [48] Marleen Perintahkan ke bawah 1C
17 [49] Alaa √ Perintahkan ke bawah 1H √ √
18 [50] Muda √ Perintahkan ke bawah 1C
19 [51] Christopher Perintahkan ke bawah √
20 [52] Tyler √ Perintahkan ke bawah √
21 [53] Matthew Perintahkan ke bawah 1D
22 [54] Marc Perintahkan ke bawah √
23 [55] Maria
24 [56] Birger √ Perintahkan ke bawah √
25 [57] elena Perintahkan ke bawah 12C √ √
26 [58] Hai Perintahkan ke bawah √
27 [59] Anne Perintahkan ke bawah 3D √
28 [60] Khan √ Perintahkan ke bawah 8717C
29 [61] Luis Perintahkan ke bawah

30 [62] Andrew √ Perintahkan ke bawah √

31 [63] Alaa √ Perintahkan ke bawah 1D √
32 [64] Lumel Perintahkan ke bawah √
33 [65] Dominic Perintahkan ke bawah √
34 [66] Taksiarki Bawah–Atas 1D
35 [67] Reesa Perintahkan ke bawah 18D √
36 [68] Tanya Perintahkan ke bawah 2D √
37 [69] Nicolas Perintahkan ke bawah √
38 [70] David √ Perintahkan ke bawah √
39 [71] Axel Perintahkan ke bawah √
40 [72] gen Perintahkan ke bawah 1D √
41 [20] monica Perintahkan ke bawah √
42 [73] Jean Perintahkan ke bawah 8S √
[62], [63] dan [70]. Beberapa penelitian telah mempresentasikan
pendekatan skema CDW mereka. Seperti disebutkan, dua skema yang
A. Metodologi dikenal adalah bintang dan kepingan salju. Skema bintang terdiri dari
Dari perspektif penelitian, perhatian pada pendekatan desain, tabel fakta tunggal dan tabel yang disebut dimensi yang terhubung ke
arsitektur dan jumlah departemen yang terlibat dalam tabel fakta dengan kunci. Skema kepingan salju adalah bentuk
implementasi CDW. Perspektif penelitian memberikan pandangan diperpanjang dari skema bintang di mana banyak tabel lain yang
sederhana dari seluruh pendekatan desain dan metodologi terbaik terhubung ke dimensi.
dari rencana desain untuk membantu tim TI dan pemangku
kepentingan klinis dalam memahami CDW. Metodologi ini dibagi ii. 7.1.2 Pendekatan Desain
menjadi tiga kriteria: arsitektur, pendekatan desain dan Dua pendekatan desain yang sudah dikenal adalah top-down dan bottom-
departemen. up. Pendekatan desain top-down memberikan bentuk akhir dari sistem.
saya. Arsitektur Pendekatan ini dimulai dengan menerapkan dan membangun potongan-
Arsitektur mengacu pada struktur umum dari proses potongan untuk mencapai tujuan akhir. Pendekatan bottom-up dimulai
pembangunan CDW dan bagaimana komponen skematik CDW dengan membagi masalah besar menjadi bagian-bagian kecil dari hambatan
terhubung. Diagram arsitektur dapat membantu dalam dan memecahkan setiap hambatan secara individual. Sebagian besar studi
memahami proses implementasi secara umum. Banyak menggunakan pendekatan top-down dalam merancang, yang menghemat
penelitian telah menunjukkan diagram arsitektur CDW seperti waktu karena ide dasarnya jelas dan komponen yang diperlukan tersedia. Di
[33], [35], [36], [37], [43], [44], [47], [49], [50], [52], [ 60], atas-bawah

doi:10.25195/2017/4424| 6
 Jurnal Irak untuk Komputer dan Informatika Jil. [44], Edisi [2], Tahun (2018)

pendekatan, setiap anggota tim mengetahui tugas yang diberikan,
yang membuat implementasi sistem menjadi fleksibel. Untuk CDW,
pendekatan pengembangan yang tepat adalah top-down. Ini dapat
digunakan sebagai pendekatan sistematis untuk membantu
mengurangi hambatan integrasi. Pendekatan ini memakan waktu
dan sulit untuk diterapkan karena konsistensi konsep sulit dicapai
untuk semua data organisasi klinis. Pendekatan desain bottom-up
lebih disukai untuk desain, implementasi, dan pengembangan data
mart klinis. Pendekatan ini dicirikan oleh fleksibilitas dan biaya
implementasi yang rendah dari data mart CDW, tetapi menghadapi
kesulitan dalam mengintegrasikan berbagai data mart di
perusahaan klinis DW [74][75].
aku aku aku. 7.1.3 Departemen
Departemen merujuk pada beberapa departemen klinis yang terlibat dalam
implementasi CDW. Singkatan yang digunakan di departemen klinis adalah
H untuk rumah sakit, C untuk pusat dan D untuk departemen atau studi
rumah sakit. CDW mencakup data mulai dari satu departemen ke rumah
sakit lain dan departemen dan pusat mereka. Beberapa makalah
menyebutkan departemen atau ukuran data yang digunakan untuk
mengimplementasikan CDW. Jumlah departemen dapat memberikan
gambaran umum tentang sumber data dan data yang akan digunakan untuk
mengimplementasikan data mart klinis.
B. Sistem
CDW adalah sebuah sistem, dan dua poin terpenting dalam
mengimplementasikan sistem yang sukses adalah menjaganya tetap
dicadangkan dan mengamankannya dari akses yang tidak sah.
saya. Cadangan
Cadangan adalah proses menyimpan salinan semua data untuk
menggunakan gambar file dalam pemulihan bila diperlukan. Pencadangan
adalah proses penting karena membuat semua data aman dari kehilangan
ketika mereka dihapus atau rusak. Seperti yang ditunjukkan pada Tabel 2, 5
(yaitu [33], [37], [49], [57] dan [63]) dari 40 penelitian telah menggunakan
dua sistem pencadangan data mereka atau menerapkan sistem
pencadangan khusus untuk menjaga salinan semua data CDW. Jenis metode
backup adalah incremental, differential, full backup dan virtual full backup.
Setiap metode memiliki kemampuan dan keterbatasannya sendiri.
Pencadangan penuh mengambil snapshot dari semua data sementara
pencadangan tambahan mengambil salinan file yang telah dibuat atau
diubah setelah pencadangan terakhir. Pencadangan diferensial hanya
menyimpan perubahan file baru setelah pencadangan penuh terakhir,
sedangkan pencadangan penuh virtual mengambil cadangan semua data
dan menyinkronkannya dengan data asli secara berkala. Memilih metode
dan alat pencadangan bergantung pada tetapi tidak sebanding dengan
kemampuan evaluasi data.
ii. Keamanan data
Untuk melindungi CDW dari akses yang tidak sah, keamanan data harus
diterapkan dan membatasi akses ke orang-orang tertentu di bagian
pengambilan keputusan. Akses ke CDW harus dibatasi untuk pembuat
keputusan klinis. Setiap anggota CDW yang berwenang harus memiliki izin
khusus untuk mengakses bagian tertentu dari CDW. Karena cakupan CDW
bervariasi dan mencakup banyak departemen, maka setiap departemen
harus mengakses bagian tertentu yang memenuhi kebutuhan mereka dan
menunjukkan hasil yang mendukung keputusan mereka. Seperti yang
ditunjukkan pada Tabel 2, 25 CDW menerapkan langkah-langkah keamanan
untuk mencegah akses yang tidak diinginkan. Perlindungan fisik diperlukan
dalam implementasi, tetapi solusi terbaik untuk mengatasi masalah
keamanan adalah dengan menerapkan teknologi penyimpanan cloud, yang
dapat memastikan keamanan, mengurangi biaya, menghilangkan
kebutuhan akan perlindungan fisik, dan menyediakan platform yang andal.

Tabel 3: Perspektif Data, Alat ETL, dan Tujuan

seq Ref. Pengarang Data Alat ETL Tujuan

Ukuran Tersedia Pribadi Kualitas Admin manajemen penelitian Klinis
ty jatah tidak h
1 [34] Nicolas > 15m √ √ √ √ √ √
2 [33] lain > 100 m √ √ √ ODI √ √ √ √
3 [35] John √ √ √ √ √ √
4 [36] Lekha √ SSIS √ √ √ √
5 [37] Kislaya > 3m √ √ √ √ √ √ √
6 [38] Christin > 99 m √ √ √ i2b2 √ √ √ √
e
7 [39] Nicolas PADA √ √ √ √
8 [40] Barrett > 4.4m √ √ √ √ √ √ √
9 [41] Denis > 17 √ Bakat √ √ √ √
engkau.

10 [42] Christo > 10 m √ √ i2b2+SQL √ √ √ √

ph
11 [43] Martin 11,898 √ √ √ √ √ √ √
12 [44] Osama √ SSIS 2008 √ √ √ √

doi:10.25195/2017/4424| 7
 Jurnal Irak untuk Komputer dan Informatika Jil. [44], Edisi [2], Tahun (2018)

13 [45] Eric 1,2 m √ √ √ Peramal √ √ √ √

GETAH

14 [46] kristen √ √ Bakat √ √ √ √

n
15 [47] Jyoti 6,3 m √ √ √ OBIEE √ √ √ √
16 [48] Marleen 75 GB √ √ Inteligen √ √ √ √
ce Kritis
peduli
Ekspor
17 [49] Alaa 250 √ √ √ SSIS2014 √ √ √ √
engkau.

18 [50] Muda > 1200 √ √ √ √ √

19 [51] Christo 268 m √ √ √ √ √ √ √
pher
20 [52] Tyler √ √ √ SAS √ √ √ √
21 [53] Matius √ √ √ √ √ √
w
22 [54] Marc √ √ √ Bakat √ √ √ √
23 [55] Maria √ √ √ √ √ √ √
24 [56] Birger 2,17 m √ √ √ i2b2 √ √ √ √
25 [57] elena √ √ √ √ √ √
26 [58] Hai √ √ √ √ √ √ √
27 [59] Anne 127m √ √ √ Bakat √ √ √ √
28 [60] Khan 12m √ √ √ √ √ √ √
29 [61] Luis 230 √ Jawa EE7 √ √ √ √
engkau. dan
Musim semi

kerangka
k
30 [62] Andrew 15 m √ √ √ √ √
31 [63] Alaa 7 kamu. √ √ √ SSIS2014 √ √ √ √
32 [64] Lumel 411 m √ √ √ SQL+Pyth √ √ √ √
pada
33 [65] Domini √ √ √ Ketel √ √ √ √
c
34 [66] taksi 2,7 m √ √ √ √ √ √ √
miliknya

35 [67] Reesa 500 √ √ √ i2b2 √ √ √ √

engkau.

36 [68] Tanya √ Oracle+S √ √ √ √

QL
37 [69] Nicolas 2 m. √ √ √ √ √ √
38 [70] David √ √ √ √ √ √ √
39 [71] Axel √ √ √ i2b2 √ √ √ √
40 [72] gen > 1b √ √ √ Alat di √ √ √ √
Jawa
41 [20] monica > 136 m √ √ √ i2b2 √ √ √ √
42 [73] Jean 250G √ √ √ Microsoft √ √ √ √
. Bersih 2.0

Pemrosesan data dalam CDW adalah langkah dasar dalam pengambilan

keputusan yang sukses. Empat komponen utama yang terkait dengan
C. Pemrosesan Data pemrosesan data adalah ukuran data, ketersediaan data, privasi data, dan
kualitas data. Ukuran data yang terlibat dalam CDW

doi:10.25195/2017/4424| 8
 Jurnal Irak untuk Komputer dan Informatika
implementasi bervariasi dari ribuan (thou), jutaan (m), miliaran
(b) dan gigabyte (G). Ukuran data berkisar dari ribuan hingga
miliaran catatan. Ukuran data normal DW bervariasi dari
beberapa kilobyte hingga terabyte besar. CDW dicirikan oleh
sejumlah besar data klinis yang terdiri dari perawatan, catatan
diagnosis, dan EMR, yang disimpan dan diproses untuk
mendapatkan hasil analisis.
saya. Ketersediaan Data
Ketersediaan data berarti bahwa data akan tetap dapat diakses
meskipun terjadi bencana. Perspektif ini mungkin bergantung
pada faktor-faktor seperti keamanan sistem dan pencadangan,
yang dapat memastikan ketersediaan CDW secara berkelanjutan.
Menurut penelitian kami, 37 studi mencapai ketersediaan data
dalam menerapkan CDW, yang membuktikan pentingnya faktor ini.
ii. Privasi data
Privasi data harus dipastikan sejak langkah pertama
proses implementasi CDW. Privasi data mengacu pada
perlindungan informasi pribadi pasien dan penentuan
bagian-bagian yang dapat dibagikan. Sebanyak 32 studi
mencapai tujuan ini dalam implementasi CDW.
aku aku aku. Kualitas data
Kualitas data adalah ukuran kegunaan data. Konsep ini
mengacu pada data dengan konsistensi dan ketidakjelasan.
Karena banyak sumber data yang heterogen, konsep ini sulit
dicapai tetapi diperlukan. Kami menemukan 34 studi yang
mencapai aspek ini dalam implementasi CDW.
D. Alat ETL
Alat ETL diperlukan dalam implementasi CDW. Memilih lisensi atau
sumber alat ETL sangat bergantung pada pendanaan proyek dan sifat
sumber data. Hanya beberapa makalah yang tidak menyebutkan alat
ETL yang digunakan dalam implementasi CDW. i2b2 digunakan dalam
enam makalah, SSIS dalam empat makalah, Talend juga dalam empat
makalah, sedangkan makalah lainnya menggunakan Java, SAS, AT dan
Microsoft.Net.
E. Tujuan
Informasi pasien, informasi keuangan dan data medis, termasuk
diagnosis, resep, tes, catatan medis dan catatan keperawatan
secara otomatis diperbarui dari database EMR operasional ke
sistem DW setiap hari menggunakan alat ETL [hal.26]. Prosedur ini
menghasilkan subjek data yang berbeda. Definisi utama CDW
menjelaskan tujuan berdasarkan empat tujuan: administrasi,
manajemen, klinis dan penelitian. CDW harus mencapai tujuan ini
agar berhasil. Keempat tujuan tersebut berasal dari tipe data (ODS)
dan kebutuhan pemangku kepentingan. Keempat tujuan tersebut
saling berhubungan. Administrasi dan manajemen adalah tujuan
dasar membangun CODS, dan dengan demikian memerlukan
informasi tentang masalah manajerial dan administrasi untuk
mengisi kesenjangan dan
Jil. [44], Edisi [2], Tahun (2018)
meningkatkan pelayanan kesehatan bagi pasien. Tujuan klinis dan
penelitian penting untuk menemukan pola tersembunyi, hubungan
antara atribut yang berbeda, perilaku penyakit dan cara untuk
mengeksplorasi pengetahuan klinis untuk mendukung keputusan.
VIII. CKESIMPULAN DANRREKOMENDASI
Berbagai komponen perangkat keras dan perangkat lunak
memerlukan langkah-langkah rumit dalam integrasi untuk
menangani format data yang berbeda untuk menghasilkan
informasi yang lebih baik untuk penelitian dan pengambilan
keputusan. Proses integrasi harus dibangun berdasarkan
pendekatan terencana untuk menganalisis data yang
dikumpulkan dan membersihkannya untuk menghasilkan
informasi yang berguna. CDW rumit karena kebutuhan akan
integritas data dalam ODS. Platform ODS yang baru membuat
proses ETL menjadi sangat rumit dan meningkatkan kebutuhan
akan teknologi baru. Berbagai departemen klinis, prosedur,
pekerjaan dan tugas melibatkan tantangan karena teknologi
baru, dan skenario baru harus direncanakan untuk beradaptasi
dengan perubahan ini. Tipe data yang berbeda dianggap
sebagai tantangan pertama dalam membangun dan
mengimplementasikan CDW yang sukses. Untuk memastikan
privasi data klinis, diperlukan kebijakan dan peraturan
pemerintah yang baru.
Salah satu rekomendasi terpenting adalah fokus pada ODS klinis
dan memberikan kursus khusus bagi karyawan yang bekerja di
entri data yang terkait dengan proses. ODS klinis tidak boleh
diakses oleh semua staf, dan keamanan khusus harus dipastikan
untuk melindungi ODS. Manual untuk ODS klinis harus
dikembangkan dan fitur baru harus ditambahkan untuk
meningkatkan dan mengurangi waktu pengumpulan data. Catatan
klinis berbasis kertas menimbulkan tantangan lain karena data
yang terkandung dalam catatan ini harus diubah menjadi EMR,
yang memakan waktu dan tenaga. Sumber data lama harus
diperlakukan dengan hati-hati dengan pendekatan khusus karena
memerlukan semua proses ETL seperti pembersihan data,
integrasi, transformasi, dan pemuatan.
Biaya membangun CDW tergantung pada kebutuhan dan tujuan
organisasi. Organisasi dapat memutuskan untuk mengadaptasi solusi
berbiaya rendah atau berbiaya tinggi dengan membeli lisensi ETL, ODS,
OLAP, serta alat dan perangkat lunak pelaporan. Solusi sumber terbuka
memerlukan tim untuk mengetahui semua persyaratan sistem dan
metode untuk memperbaiki bug. CDW harus ditempatkan di dalam
rumah sakit dan departemen klinis, yang membuat implementasi CDW
cepat dan akurat, karena tidak memerlukan perjanjian untuk bekerja
dengan sumber data klinis, dan memungkinkan tim TI untuk
mendapatkan jawaban terkait data langsung dari pemangku
kepentingan klinis.
Pendekatan desain top-down lebih disukai oleh banyak orang.
Pendekatan ini menyediakan pra-analisis dari semua sumber data
operasional karena dimulai dari menganalisis semua komponen dasar
dan melangkah lebih jauh ke semua proses implementasi dengan
mengintegrasikan semua sumber data klinis yang heterogen. Meskipun
doi:10.25195/2017/4424| 9
 Jurnal Irak untuk Komputer dan Informatika
biaya tinggi dan implementasi pendekatan top-down yang lambat,
ini adalah pilihan terbaik untuk merancang dan
mengimplementasikan CDW. Pendekatan bottom-up lebih disukai
ketika implementasi CDW dimulai dari implementasi CODS,
sehingga membuat proses implementasi CDW menjadi fleksibel
dan hampir tanpa hambatan. Pendekatan bottom-up lebih disukai
ketika para pemangku kepentingan memutuskan untuk
membangun data mart yang terpisah untuk setiap departemen.
Enhanced ETL diperlukan untuk menangani berbagai tipe data dan
mengurangi waktu yang dihabiskan untuk semua proses ETL. Memilih lisensi
untuk alat ETL dan keseluruhan proyek pertama-tama bergantung pada
pendanaan institusional. Alat sumber terbuka telah membuktikan kinerja
dan akurasinya dalam banyak penelitian tetapi mereka membutuhkan tim TI
yang berpengalaman untuk memperbaiki bug yang mungkin muncul. CDW
yang sukses harus memastikan privasi data; memenuhi persyaratan
keamanan dan pencadangan dengan ketersediaan dan kualitas data; dan
menyediakan platform klinis yang solid untuk tujuan penelitian, administrasi,
dan manajerial.
REFERENSI
[1] Lau, EC, et al., Penggunaan rekam medis elektronik (EMR) untuk penelitian hasil
onkologi: menilai komparabilitas informasi EMR dengan pendaftaran pasien dan
data klaim kesehatan. Epidemiologi klinis, 2011. 3: hal. 259.
[2] Ballantyne, DJ dan M. Mulhall, Metode dan peralatan untuk mengakses dan
mendistribusikan informasi dan layanan perawatan kesehatan pribadi secara elektronik
di rumah sakit dan rumah. 1999, Paten Google.
[3] Cao, H., dkk. Menambang gudang data klinis untuk menemukan asosiasi
penemuan penyakit menggunakan statistik kejadian bersama. dalam Prosiding
Simposium Tahunan AMIA. 2005. Asosiasi Informatika Medis Amerika.
[4] Ewen, EF, CE Medsker, dan LE Dusterhoft. Pergudangan data dalam sistem
kesehatan terintegrasi: membangun kasus bisnis. dalam Prosiding lokakarya
internasional ACM pertama tentang Data warehousing dan OLAP. 1998. ACM.
[5] Chaudhuri, S. dan U. Dayal, Tinjauan tentang pergudangan data dan teknologi
OLAP. Catatan ACM Sigmod, 1997. 26(1): hlm. 65-74.
[6] Jaber, MM, et al., Parameter gudang data yang fleksibel: Menuju
pembangunan arsitektur terintegrasi. Jurnal Internasional Teori dan Teknik
Komputer, 2015. 7(5): p. 349.
[7] Kimball, R. dan M. Ross, Toolkit gudang data: panduan lengkap untuk
pemodelan dimensi. 2011: John Wiley & Sons.
[8] Sahama, TR dan PR Gulungan. Arsitektur gudang data untuk pergudangan data
klinis. dalam Prosiding simposium Australasia kelima tentang perbatasan ACSW-
Volume 68. 2007. Australian Computer Society, Inc.
[9] Shin, S.-Y., WS Kim, dan J.-H. Lee, Karakteristik yang diinginkan dalam gudang
data klinis untuk penelitian biomedis. Penelitian Informatika Kesehatan, 2014.
20(2): p. 109-116.
[10] Mohammed, RO dan SA Talab, Masalah dan tantangan gudang
data klinis. Jurnal Internasional u-dan e-Service, Sains dan Teknologi,
2014. 7(5): p. 251-262.
[11] Khnaisser, C., dkk. Tinjauan metode desain gudang data: tren, tantangan, dan
arah masa depan untuk domain perawatan kesehatan. di Konferensi Eropa Timur
tentang Kemajuan dalam Database dan Sistem Informasi. 2015. Musim Semi. [12]
Hamoud, AK dan T. Obaid, Menggunakan OLAP dengan Gudang Registri Penyakit
untuk Pendukung Keputusan Klinis. 2014.
[13] Evans, RS, JF Lloyd, dan LA Pierce. Penggunaan klinis gudang data
perusahaan. dalam Prosiding Simposium Tahunan AMIA. 2012. Asosiasi
Informatika Medis Amerika.
[14] Stolba, N. dan AM Tjoa, Relevansi data warehousing dan data mining di bidang
kedokteran berbasis bukti untuk mendukung pengambilan keputusan perawatan
kesehatan. Jurnal Internasional Ilmu dan Teknik Sistem Komputer, 2006. 3(3): p.
143-148.
[15] Zhou, X., dkk. Membangun gudang data klinis untuk penemuan pengetahuan
pengobatan tradisional Tiongkok. pada Konferensi Internasional 2008 tentang Teknik
Biomedis dan Informatika. 2008. IEEE.
Jil. [44], Edisi [2], Tahun (2018)
[16] Roelofs, E., et al., Manfaat gudang data klinis dengan alat penambangan data untuk
mengumpulkan data untuk uji coba radioterapi. Radioterapi dan Onkologi, 2013. 108(1):
hlm. 174-179.
[17] DeWitt, JG dan PM Hampton, Pengembangan gudang data pada sistem kesehatan
akademik: mengetahui tempat untuk pertama kalinya. Akademik Kedokteran, 2005.
80(11): hal. 1019-1025.
[18] Yoo, S., et al., Indikator klinis yang diimplementasikan secara elektronik
berdasarkan gudang data di rumah sakit tersier: manfaat dan efektivitas klinisnya.
Jurnal internasional informatika medis, 2014. 83(7): p. 507-516.
[19] Lieberman, MI dan TN Ricciardi. Penggunaan SNOMED© CT
menyederhanakan kueri gudang data klinis. dalam Prosiding Simposium
Tahunan AMIA. 2003. Asosiasi Informatika Medis Amerika.
[20] Horvath, MM, et al., Alat Kueri Terpandu DEDUCE: menyediakan akses yang
disederhanakan ke data klinis untuk penelitian dan peningkatan kualitas. Jurnal
informatika biomedis, 2011. 44(2): p. 266-276.
[21] Weng, C., dkk. Membandingkan efektivitas pendaftaran klinis dan
gudang data klinis untuk mendukung perekrutan uji klinis: studi kasus.
dalam Prosiding Simposium Tahunan AMIA. 2010. Asosiasi Informatika
Medis Amerika.
[22] Tang, PC, et al., Perbandingan metodologi untuk menghitung ukuran
kualitas berdasarkan data administratif versus data klinis dari sistem catatan
kesehatan elektronik: implikasi untuk ukuran kinerja. Jurnal Asosiasi
Informatika Medis Amerika, 2007. 14(1): hal. 10-15.
[23] Denney, MJ, et al., Memvalidasi proses ekstrak, transformasi, pemuatan yang
digunakan untuk mengisi database penelitian klinis yang besar. Jurnal internasional
informatika medis, 2016. 94: p. 271-274.
[24] Wiesenauer, M., C. Johner, dan R. Röhrig, Penggunaan sekunder data klinis di
penyedia layanan kesehatan-sebuah tinjauan tentang penelitian, peraturan dan
persyaratan etika. Stud Health Technol Inform, 2012. 180 : p. 614-8.
[25] Schubart, JR dan JS Einbinder, Evaluasi gudang data di pusat ilmu
kesehatan akademik. Jurnal Internasional Informatika Medis, 2000.
60(3): hal. 319-333.
[26] Puppala, M., dkk. Keamanan data dan manajemen privasi dalam aplikasi
perawatan kesehatan dan lingkungan gudang data klinis. in Biomedical and Health
Informatics (BHI), Konferensi Internasional IEEE-EMBS 2016 pada. 2016. IEEE. [27]
Khan, SI dan ASL Hoque. Masalah privasi dan keamanan gudang data kesehatan
nasional: solusi nyaman untuk negara berkembang. dalam Sistem dan Keamanan
Jaringan (NSysS), Konferensi Internasional 2016 tentang. 2016. IEEE.
[28] Darley, B., dkk., Cara Menjaga Keyakinan Klinis: Ringkasan Hukum &
Panduan tentang Menjaga Privasi Pasien. 1994.
[29] Botsis, T., et al., Penggunaan sekunder EHR: masalah kualitas data dan
peluang informatika. Summit on Translational Bioinformatics, 2010. 2010: p.
1.
[30] Kimball, R. dan J. Caserta, The Data Warehouse ETL Toolkit: Teknik Praktis
untuk Mengekstrak, Membersihkan, Menyesuaikan, dan Mengirimkan Data. 2011:
John Wiley & Sons.
[31] Kimball, R., dkk., Toolkit siklus hidup gudang data. 2008: John Wiley &
Sons.
[32] Inmon, B., Data pergudangan di lingkungan kesehatan. Newsletter
Administrasi Data-TDAN. com, 2007.
[33] Karami, M., A. Rahimi, dan AH Shahmirzadi, Gudang Data Klinis: Alat Efektif
untuk Menciptakan Kecerdasan dalam Manajemen Penyakit. Manajer perawatan
kesehatan, 2017. 36(4): p. 380-384.
[34] Garcelon, N., et al., Sebuah gudang data ramah dokter berorientasi pada
laporan naratif: Gudang Dr. Jurnal informatika biomedis, 2018. 80: p. 52-63.
[35] Chelico, JD, dkk. Merancang Arsitektur Gudang Data Klinis untuk
Mendukung Inisiatif Peningkatan Kualitas. dalam Prosiding Simposium
Tahunan AMIA. 2016. Asosiasi Informatika Medis Amerika.
[36] Narra, L., T. Sahama, dan P. Stapleton. Pergudangan data klinis untuk
pengambilan keputusan berbasis bukti. di MIE. 2015.
[37] Kunjan, K., dkk. Gudang Data Multidimensi untuk Puskesmas.
dalam Prosiding Simposium Tahunan AMIA. 2015. Asosiasi Informatika
Medis Amerika.
[38] Turley, CB, et al., Memanfaatkan gudang data klinis di seluruh negara bagian untuk
memperluas batas-batas sistem kesehatan pembelajaran. eGEM, 2016. 4(1).
[39] Garcelon, N., et al., Meningkatkan mesin pencari teks lengkap:
pentingnya deteksi negasi dan konteks riwayat keluarga untuk
mengidentifikasi kasus di gudang data biomedis. Jurnal Asosiasi Informatika
Medis Amerika, 2016. 24(3): p. 607-613.
doi:10.25195/2017/4424| 10
 Jurnal Irak untuk Komputer dan Informatika
[40] Jones, B. dan DK Vawdrey, Mengukur Informasi Kematian di Gudang
Data Klinis. AMIA Summits on Translational Science Proceedings, 2015. 2015:
p. 450.
[41] Delamarre, D., et al., Semantik integrasi data obat ke dalam Gudang
Data Klinis EHOP. Studi di bidang teknologi dan informatika kesehatan, 2015.
210: p. 702-706.
[42] Rinner, C., et al., Gudang Data Klinis Berdasarkan OMOP dan i2b2 untuk Data
Klaim Kesehatan Austria. Studi di bidang teknologi dan informatika kesehatan,
2018. 248: p. 94-99.
[43] Seneviratne, MG, dkk., Arsitektur dan Implementasi Gudang Data
Penelitian Klinis untuk Kanker Prostat. eGEMs (Menghasilkan Bukti & Metode
untuk meningkatkan hasil pasien), 2018. 6(1).
[44] Sheta, OE-S. dan AN Eldeen, Membangun gudang data perawatan kesehatan untuk
penyakit kanker. pracetak arXiv arXiv:1211.4371, 2012.
[45] Zapletal, E., dkk. Metodologi integrasi gudang data klinis dengan sistem
informasi klinis: kasus HEGP. di MedInfo. 2010. Penulis kutipan. [46] Karmen, C.,
dkk. Kerangka kerja untuk mengintegrasikan data klinis heterogen untuk area
penyakit ke dalam gudang data pusat. di MIE. 2014.
[47] Kamal, J., dkk. Gudang informasi–platform informatika yang
komprehensif untuk aplikasi bisnis, klinis, dan penelitian. dalam Prosiding
Simposium Tahunan AMIA. 2010. Asosiasi Informatika Medis Amerika.
[48] De Mul, M., et al., Pengembangan gudang data klinis dari sistem
informasi klinis perawatan intensif. Metode dan program komputer dalam
biomedis, 2012. 105(1): p. 22-30.
[49] Hamoud, AK dan T. Obaid, Membangun Gudang Data untuk Registri Penyakit:
Langkah pertama untuk Gudang Data Klinis. 2013.
[50] Choi, IY, et al., Pengembangan database penelitian kanker prostat dengan
teknologi gudang data klinis untuk hubungan langsung dengan sistem rekam
medis elektronik. Prostat internasional, 2013. 1(2): p. 59-64.
[51] Chute, CG, et al., The Enterprise Data Trust di Mayo Clinic: gudang
data biomedis yang terintegrasi secara semantik. Jurnal Asosiasi
Informatika Medis Amerika, 2010. 17(2): p. 131-135.
[52] Ross, TR, et al., Jaringan penelitian HMO gudang data virtual: model data
publik untuk mendukung kolaborasi. Egems, 2014. 2(1).
[53] Krasowski, MD, et al., Penggunaan gudang data di pusat medis
akademik untuk peningkatan kualitas, pendidikan, dan penelitian patologi
klinis. Jurnal patologi informatika, 2015. 6.
[54] Cuggia, M., dkk. Roogle: mesin pencarian informasi untuk gudang data
klinis. di MIE. 2011.
[55] Wisniewski, MF, et al., Pengembangan gudang data klinis untuk
pengendalian infeksi rumah sakit. Jurnal Asosiasi Informatika Medis
Amerika, 2003. 10(5): hal. 454-462.
[56] Haarbrandt, B., E. Tute, dan M. Marschollek, populasi otomatis
gudang data klinis i2b2 dari repositori data berbasis openEHR. Jurnal
informatika biomedis, 2016. 63: p. 277-294.
[57] Katzan, I., dkk. Program Pengetahuan: sistem dan gudang pengambilan data
elektronik yang inovatif dan komprehensif. dalam Prosiding Simposium Tahunan
AMIA. 2011. Asosiasi Informatika Medis Amerika.
[58] Hu, H., et al., DW4TR: gudang data untuk penelitian translasi. Jurnal
informatika biomedis, 2011. 44(6): hlm. 1004-1019.
[59] Jannot, A.-S., et al., Gudang data klinis rumah sakit universitas georges
pompidou: pengalaman tindak lanjut 8 tahun. Jurnal internasional
informatika medis, 2017. 102: p. 21-28.
[60] Khan, SI dan ASML Hoque. Menuju pengembangan gudang data
kesehatan: perspektif Bangladesh. dalam Teknik Elektro dan Teknologi
Komunikasi Informasi (ICEEICT), Konferensi Internasional 2015 pada.
2015. IEEE.
[61] Marco-Ruiz, L., et al., Lingkungan gudang data berbasis pola dasar untuk
memungkinkan penggunaan kembali data catatan kesehatan elektronik. Jurnal
internasional informatika medis, 2015. 84(9): hlm. 702-714.
[62] Post, AR, dkk., The Analytic Information Warehouse (AIW): Sebuah platform
untuk analitik menggunakan data catatan kesehatan elektronik. Jurnal informatika
biomedis, 2013. 46(3): hal. 410-424.
[63] Hamoud, AK, et al., Desain dan Implementasi Gudang Data Kanker untuk
Mendukung Keputusan Klinis. 2016.
[64] Pelayan, LR, dkk. Mengungkapkan pengamatan dari lembar alir rekam medis
elektronik dalam repositori data klinis berbasis i2b2 untuk mendukung penelitian
dan peningkatan kualitas. dalam Prosiding Simposium Tahunan AMIA. 2011.
Asosiasi Informatika Medis Amerika.
[65] Girardi, D., J. Dirnberger, dan M. Giretzlehner, Sebuah gudang data klinis berbasis
ontologi untuk penelitian ilmiah. Keselamatan Kesehatan, 2015. 1(1): p. 6.
Jil. [44], Edisi [2], Tahun (2018)
[66] Botsis, T., et al., Mengembangkan model prognostik multivariabel untuk
tumor endokrin pankreas menggunakan sumber data gudang klinis dari
satu institusi. Informatika klinis terapan, 2010. 1(1): p. 38.
[67] Laws, R., dkk., gudang data Jaringan Penelitian Terapan Kesehatan Masyarakat
(CHARN): sumber daya untuk penelitian hasil yang berpusat pada pasien dan peningkatan
kualitas pada populasi jaring pengaman yang kurang terlayani. RUPSLB, 2014. 2(3).
[68] Podchiyska, T., dkk. Mengelola pembaruan kosakata medis di
gudang data klinis: Studi kasus RxNorm. dalam Prosiding Simposium
Tahunan AMIA. 2010. Asosiasi Informatika Medis Amerika.
[69] Garcelon, N., et al., Menemukan pasien yang menggunakan langkah-langkah
kesamaan di gudang data klinis berorientasi penyakit langka: Gudang Dr. dan jarum di
tumpukan jarum. Jurnal informatika biomedis, 2017. 73: p. 51-61.
[70] Foran, DJ, et al., Roadmap ke gudang data klinis yang komprehensif
untuk aplikasi obat presisi dalam onkologi. Informatika kanker, 2017. 16: p.
1176935117694349.
[71] Schumacher, A., T. Rujan, dan J. Hoefkens, Sebuah pendekatan kolaboratif untuk
mengembangkan platform analisis data multi-omics untuk penelitian translasi. genomik
terapan & translasi, 2014. 3(4): p. 105-108.
[72] Gens, N., et al., Memvalidasi tanda-tanda vital departemen darurat menggunakan
mesin kualitas data untuk gudang data. Jurnal informatika kedokteran terbuka, 2013. 7:
hlm. 34.
[73] Couderc, J.-P. Inisiatif gudang EKG telemetri dan Holter (THEW): gudang
data untuk desain, implementasi, dan validasi teknologi terkait EKG. dalam
prosiding Konferensi:... Konferensi Internasional Tahunan Teknik IEEE dalam
Masyarakat Kedokteran dan Biologi. Rekayasa IEEE dalam Masyarakat
Kedokteran dan Biologi. Konferensi. 2010. Akses Publik NIH.
[74] Han, J., J. Pei, dan M. Kamber, Data mining: konsep dan teknik.
2011: Elsevier.
[75] Hamoud, A. dan TAS Obaid, Desain dan Implementasi Data Warehouse
untuk Mendukung Keputusan Klinis Menggunakan OLAP dan KPI. 2013,
Jurusan Ilmu Komputer, Universitas Basrah.
SEBUAHPENGARANGPROFILE
Alaa Khalaf Hamoud adalah dosen Sistem Informasi Komputer,
Universitas Basrah, Irak. Beliau memperoleh gelar BSc dari
Departemen Ilmu Komputer, University of Basrh pada tahun
2008 dengan peringkat pertama sebagai mahasiswa. Dia juga
menerima gelar MSc dari departemen yang sama dengan
mahasiswa departemen peringkat pertama. Ia mengikuti (tujuh
bulan) kursus administrasi TI di TU berlin-Jerman. Minat
ilmiahnya adalah data mining, data warehousing.
Ali Salah menerima M.sc di bidang Teknologi Informasi dari
Universitas Tenaga, (Malaysia) dan B.sc di bidang Ilmu Komputer
dari Universitas Basra (Irak). Minat penelitiannya saat ini meliputi
komputasi awan dan penambangan data.
Wid Akeel menerima gelar M.sc in Information Security (2012)
dari Basra University, (Irak) dan B.sc in Computer Science
(2006) dari Basra University (Irak). Minat penelitiannya saat ini
meliputi keamanan informasi, Steganografi, pemrosesan
gambar, dan penambangan data.
doi:10.25195/2017/4424| 11