Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Sistem Pakar Dengan Aplikasi 136 (2019) 230–241

Daftar isi tersedia diScienceDirect

Sistem Pakar Dengan Aplikasi

halaman utama jurnal:www.elsevier.com/locate/eswa

Prediksi penyakit kronis menggunakan data administrasi dan

teori grafik: Kasus diabetes tipe 2-
Arif Khan A,B,∗, Syahadat UddinA, Uma SrinivasanB,C
AFakultas Teknik & TI, Universitas Sydney, Sydney, NSW, Australia
BProgram Penelitian Kualitas Pasar Kesehatan, Capital Markets CRC, Level 2, 55 Harrington Street, Sydney, NSW, Australia
CCRC Kesehatan Digital, Level 3, 55 Harrington Street, Sydney, NSW, Australia

articleinfo abstrak

Riwayat artikel: Diagnosis klinis dan pemantauan rutin terhadap populasi yang berisiko terkena penyakit kronis membutuhkan
Diterima 17 Januari 2019 banyak sumber daya secara klinis dan finansial. Menambang data administrasi bisa menjadi cara alternatif yang
Direvisi 18 April 2019 Diterima
efektif untuk mengidentifikasi kelompok berisiko tinggi ini. Dalam penelitian ini, kami menerapkan teknik
28 Mei 2019 Tersedia online 8
penambangan data dan analisis jaringan pada data masuk dan keluar rumah sakit untuk memahami jejak penyakit
Juni 2019
atau komorbiditas pasien kronis. Berdasarkan pemahaman ini kami telah mengembangkan kerangka prediksi risiko
Kata kunci: penyakit kronis. Kerangka tersebut kemudian diuji pada konteks kesehatan Australia untuk memprediksi risiko
Prediksi penyakit diabetes tipe 2 (T2D). Dataset berisi sekitar 1,4 juta catatan penerimaan dari 0,75 juta pasien. Dari ini, kami memfilter
Rekam medis elektronik Sistem dan mengambil sampel catatan dari 2300 pasien yang memiliki penyakit penyerta termasuk T2D dan 2300 pasien
informasi medis Teori jaringan lainnya yang memiliki penyakit penyerta selain T2D. Seiring dengan faktor risiko demografis dan perilaku untuk
prediksi, kami mengusulkan beberapa teori grafik dan tindakan berbasis jejaring sosial yang menunjukkan
Teori prediksi
prevalensi komorbiditas, pola transisi, dan keanggotaan pengelompokan. Kami menggunakan pendekatan
Diabetes tipe 2
eksplorasi untuk memahami dampak relatif dari faktor risiko ini dan mengevaluasi kinerja prediksi menggunakan
tiga metode prediksi yang berbeda—regresi, optimalisasi parameter, dan klasifikasi pohon. Ketiga metode prediksi
memberikan peringkat tertinggi pada skor 'prevalensi komorbiditas' berbasis teori grafik dan skor 'pencocokan pola
transisi' yang menunjukkan keefektifan tindakan berbasis teori jaringan yang diusulkan. Keseluruhan, akurasi
prediksi antara 82% hingga 87% menunjukkan potensi framework memanfaatkan data administratif. Kerangka yang
diusulkan dapat berguna bagi pemerintah dan perusahaan asuransi kesehatan untuk mengidentifikasi kelompok
penyakit kronis berisiko tinggi. Mengembangkan strategi pencegahan kemudian, selama periode waktu tertentu,
dapat mengurangi beban rawat inap perawatan akut.
© 2019 Elsevier Ltd. Semua hak dilindungi undang-undang.

1. Perkenalan penerimaan, menambah beban meningkat pada sumber daya

Penyakit dan kondisi kronis telah menjadi beban kesehatan dan ekonomi
bagi negara-negara di seluruh dunia (Yach, Hawkes, Gould, & Hofman, 2004
). Tantangan utama untuk mencegah penyakit kronis adalah, dalam banyak
kasus, pasien tetap tidak menyadari perkembangan penyakit (Gregg et al.,
2004; Rathmann et al., 2003) sampai mereka dirawat di rumah sakit.
Selanjutnya, ketika kondisi kronis ditemukan sebagai diagnosis sekunder (
Taubert et al., 2003), mengakibatkan komplikasi lebih lanjut, lama tinggal
lebih lama selama di rumah sakit
-
Makalah ini dan ide-ide yang diungkapkan adalah bagian dari tesis doktor penulis
pertama di University of Sydney. Persetujuan etika manusia untuk protokol penelitian
diperoleh dari Komite Etika Penelitian Manusia Universitas Sydney dengan nomor proyek
2015/824.
∗Penulisyang sesuai.
Surel alamat: arif.khan@sydney.edu.au (A. khan),
syahadat.uddin@sydney.edu.au (S.Uddin),umas@digitalhealthcrc.com (U.Srinivasan).
kesehatan yang terbatas (Haris, 1993; Kapur, Sandblom, Hert, James, &
Sean, 1999; Lauruschkat et al., 2005; MacKenzie, Morris, & Edelstein,
1989; Tenenbaum et al., 2000; Umpierrez et al., 2002). Jika pasien ini
dapat diidentifikasi lebih awal ketika mereka berada di batas kronis,
komplikasi lebih lanjut dapat dihindari. Namun, ada tantangan seperti
kendala sumber daya ekonomi dan klinis untuk melakukan studi
intervensi dan pemantauan rutin terhadap populasi besar ini.
Alternatif potensial dapat menggunakan data administrasi yang
dikumpulkan secara rutin dan menerapkan teknik penambangan data dan
analisis jaringan pada data ini untuk mendapatkan wawasan potensial
tentang kemungkinan keberadaan dan perkembangan penyakit kronis.
Terutama, data masuk dan keluar rumah sakit yang dihasilkan secara
sistematis (Departemen Kesehatan (Pemerintah Australia), 2016) berisi
informasi kesehatan pasien dalam kode standar ICD (International Codes for
Diseases) (Organisasi Kesehatan Dunia, 2014) yang dapat membantu kita
memahami jejak penyakit yang ditinggalkan secara menahun

https://doi.org/10.1016/j.eswa.2019.05.048 0957-4174/© 2019

Elsevier Ltd. Semua hak dilindungi undang-undang.
 A. Khan, S. Uddin dan U. Srinivasan / Sistem Pakar Dengan Aplikasi 136 (2019) 230–241
pasien. Pemahaman ini kemudian dapat digunakan untuk mengidentifikasi
pasien kronis ambang yang jejak penyakitnya secara luas mengikuti lintasan
serupa.
Sejumlah besar pekerjaan telah dilakukan di bidang prediksi risiko
penyakit kronis (Davis, Chawla, Christakis, & Barabasi, 2010; Palaniappan &
Awang, 2008). Sebagian besar dari karya ini didasarkan pada model skoring
berbasis aturan yang berfokus pada pemahaman klinis dan empiris gejala,
komorbiditas penyakit, dan prevalensi. Mereka menetapkan skor untuk
berbagai gejala yang dapat diamati secara fisiologis, kondisi komorbiditas,
dan informasi demografis untuk menilai kondisi kesehatan pasien
berdasarkan skala risiko yang telah ditetapkan sebelumnya. Indeks
Komorbiditas Charlson (Charlson, Pompei, Ales, & MacKenzie, 1987),
diusulkan sejak tahun 1987, adalah model prediksi berbasis aturan yang
terkenal. Ini memprediksi kematian sepuluh tahun untuk pasien dengan
memberi peringkat berbagai kondisi demografis dan komorbiditas seperti
penyakit jantung, kanker, AIDS, dll. Indeks serupa lainnya, yaitu indeks
Elixhauser (Elixhauser, Steiner, Harris, & Coffey, 1998), berkinerja sedikit
lebih baik (Sharabiani, Aylin, & Botol, 2012), terutama untuk prediksi
kematian setelah 30 hari. Model berbasis aturan seperti APACHE-II (Fisiologi
Akut dan Evaluasi Kesehatan Kronis-II), SAPS (Skor Fisiologi Akut Sederhana),
MPM (Model Probabilitas Kematian) (Breslow & Badawi, 2012; Wong &
Knaus, 1991) dll juga digunakan untuk menilai kondisi kesehatan pasien unit
perawatan intensif (ICU). Model penilaian ini biasanya berasal dari
pengamatan empiris yang kaku yang berfokus pada pengaturan perawatan
kesehatan tertentu, penyakit atau kematian. Mereka biasanya tidak
ditingkatkan untuk populasi besar yang beragam dengan banyak penyakit
penyerta. Namun, memprediksi risiko penyakit kronis cukup kompleks
karena tidak terjadi secara terpisah (Barabasi, 2007). Penyakit kronis sering
memiliki faktor risiko yang sama, yang dapat dipengaruhi oleh kombinasi
faktor genetik, lingkungan, dan perilaku. Faktor-faktor ini memiliki efek
sinergis (Burton et al., 2007; Loscalzo, Kohane, & Barabasi, 2007) pada hasil
kesehatan keseluruhan pasien dan dengan demikian tidak boleh
dipertimbangkan secara terpisah, yaitu melalui penilaian mereka secara
individual.
Oleh karena itu, pekerjaan yang disajikan dalam makalah ini
menggunakan pendekatan berbasis jaringan yang mengeksploitasi
semantik yang tersembunyi dalam kode ICD yang tercatat dalam data
administrasi, yaitu data masuk dan keluar rumah sakit untuk memahami
pola komorbiditas pasien, perkembangan penyakit dan kemudian
memprediksi risikonya. Pendekatan berbasis jaringan serupa telah
digunakan di berbagai bidang ilmiah, terutama dalam domain biomedis
untuk memahami patogenesis penyakit dengan memetakan ekspresi gen
dan protein terkait yang bekerja pada jalur yang sama (Ideker & Sharan,
2008). Namun, penelitian berbasis jaringan terbatas telah dilakukan pada
data perawatan kesehatan administratif yang dikumpulkan secara elektronik
karena data tersebut tidak mudah diakses oleh para peneliti. Akibatnya,
potensi data tersebut belum terealisasi sepenuhnya. Kode ICD dalam data
admisi rumah sakit administratif memiliki potensi yang luar biasa dalam
memahami sifat komorbiditas (Luijks et al., 2012), prediksi penyakit (Folino,
Pizzuti, & Ventura, 2010; Khan, Uddin, & Srinivasan, 2016) dll. Beberapa
karya penelitian menerapkan metode berbasis penambangan data pada
kumpulan data ini. Penyaringan kolaboratif (Davis et al., 2010; Davis, Chawla,
Blumm, Christakis, & Barabási, 2008) diusulkan untuk memahami
perkembangan penyakit dan prediksi menggunakan data administratif.
Penambangan aturan asosiasi digunakan (Piri, Delen, Liu, & Paiva, 2018)
untuk mengidentifikasi pola langka dalam komorbiditas terkait diabetes.
Pendekatan berbasis analisis jaringan sosial (SNA) baru-baru ini mendapat
perhatian (Baglioni et al., 2013; Khan, Srinivasan, & Uddin, 2019) karena
elemen data administratif, misalnya pasien, dokter, rawat inap, diagnosis,
asupan obat, dll. terkait secara inheren. Misalnya, SNA telah digunakan
untuk memahami koordinasi yang efektif untuk pemindahan pasien antar
rumah sakit atau entitas terkait (Landon et al., 2012). Namun, sangat sedikit
penelitian yang secara eksplisit menggunakan teori jaringan dan data
administrasi untuk mengembangkan penelitian secara sistematis
231
kerangka kerja untuk memprediksi risiko penyakit kronis, yang merupakan tujuan
utama dari penelitian yang disajikan dalam makalah ini. Kami memilih diabetes
tipe 2 (T2D) sebagai contoh penyakit kronis untuk memprediksi risikonya.
Di bagian selanjutnya, kami menjelaskan beberapa informasi kontekstual
tentang kumpulan data dan kerangka kerja. Kami kemudian menyajikan
metodologi yang digunakan dalam kerangka penelitian, diikuti dengan
diskusi dan kesimpulan.
2. Latar Belakang
2.1. Pemilihan dataset dan kohort
Data kesehatan administratif untuk penelitian ini diperoleh dari
dana kesehatan swasta yang berbasis di Australia. Ini berisi informasi
penerimaan rumah sakit untuk sekitar 749.000 pasien yang tidak
teridentifikasi yang merupakan anggota dari salah satu dana ini.
Kumpulan data longitudinal mencakup rentang waktu 6 tahun antara
September 2009 dan Maret 2015. Dari beberapa elemen data, kami
menggunakan kode ICD (versi ICD-10-AM) yang ada dalam data masuk
dan keluar dari setiap episode masuk.
Data asli diperiksa dan disaring untuk mendapatkan dataset penelitian
yang sesuai. Kriteria penyaringan meliputi: (a) memilih pasien yang memiliki
setidaknya dua rawat inap dengan kode ICD yang valid selama periode
dataset; (b) mengecualikan pasien yang membutuhkan rawat inap yang
sering dijadwalkan sebelumnya, misalnya - untuk layanan seperti
kemoterapi atau dialisis; dan (c) mengecualikan kode ICD terkait dengan
gejala, tanda, dan temuan klinis dan laboratorium abnormal, yang tidak
diklasifikasikan di tempat lain (seperti demam, vertigo, pusing, dan pusing,
dll.). Selanjutnya, kami fokus pada pemilihan kelompok yang sesuai. Untuk
memprediksi risiko T2D, kami memerlukan dua kohort: kohort pasien yang
didiagnosis dengan T2D (CT2D), dan kelompok yang tidak kronis—
yaitu, tidak memiliki T2D (C′ T2D). Ada kode ICD yang terdefinisi dengan baik
untuk penyakit yang berbeda. Kami menggunakan kode ICD T2D - "E11", untuk mengidentifikasi
T2Ddengan mencari
memastikan apakah seorang pasien milikCT2DatauC′
ada atau tidak adanya kode ini dalam riwayat masuknya.
Pada bagian selanjutnya, kami menyajikan beberapa definisi berbasis jaringan
yang akan bertindak sebagai dasar untuk konsep fungsional selanjutnya yang
digambarkan dalam kerangka prediksi.
2.2. Definisi berbasis teori graf yang digunakan dalam kerangka penelitian
2.2.1. Jaringan penyakit individu (IDN)
Jaringan ini mewakili lintasan kesehatan pasien individu, yaitu
transisi dari satu komorbiditas ke komorbiditas lainnya selama
penerimaan berikutnya dalam lingkungan perawatan kesehatan (Khan,
Uddin, & Srinivasan, 2018). Itu dibangun dengan mengulangi semua
riwayat penerimaan dan melihat daftar komorbiditas dari setiap
penerimaan. Node IDN menunjukkan komorbiditas. Tepi yang
menghubungkan dua simpul menunjukkan bahwa pasien baik – (a)
telah berkembang dari satu komorbiditas ke yang lain pada
penerimaan berikutnya, atau (b) memiliki kedua komorbiditas pada
penerimaan yang sama. IDN memiliki dua atribut. Yang pertama -
frekuensi node dikaitkan dengan setiap node atau komorbiditas yang
menunjukkan berapa kali komorbiditas telah dicatat dalam riwayat
penerimaan pasien. Atribut lainnya - berat sisi dikaitkan dengan
masing-masing sisi dan mewakili berapa kali pasien telah berkembang
di antara dua komorbiditas yang sesuai.
Gambar 1mengilustrasikan proses pembuatan IDN. Dua jaringan tersebut
dihasilkan dari data penerimaan dua pasien yang sewenang-wenang. Misalnya,
pasien 2 memiliki dua rawat inap dan didiagnosis dengan D1
dan D2pada penerimaan pertama dan dengan D3pada penerimaan
kedua. Pada resultan IDN (di bagian bawah dengan sorot kuning),
frekuensi node untuk masing-masing dari tiga node adalah 1 karena
masing-masing didiagnosis hanya sekali dalam dua penerimaan. Ada
hubungan dua arah antara D1dan D2karena mereka didiagnosis dalam
penerimaan yang sama (masuk pertama). Ada juga yang searah
232 A. Khan, S. Uddin dan U. Srinivasan / Sistem Pakar Dengan Aplikasi 136 (2019) 230–241

Gambar 1.Komponen pertama dari kerangka penelitian - pembuatan jaringan komorbiditas.

penghubung antara D1dan D3, dan D2dan D3sejak D3 didiagnosis

setelah D1dan D2didiagnosis pada penerimaan segera sebelumnya.

2.2.2. jaringan komorbiditas

Jaringan ini dihasilkan dari IDN orang-orang dalam a
kelompok (CT2DatauC′ T2D) dan karena itu mewakili kesehatan secara keseluruhan
lintasan kelompok itu. IDN dikumpulkan bersama dengan atribut
frekuensi node dan edge untuk membentuk jaringan komorbiditas
keseluruhan. Di dalamGambar 1, jaringan komorbiditas berdasarkan
dua IDN (pasien 1 dan pasien 2) ditampilkan di sisi kanan. Di jaringan
itu, frekuensi simpul D1adalah 3 karena frekuensi simpulnya di IDN
Pasien 1 dan Pasien 2 masing-masing adalah 2 dan 1. Demikian pula,
Gambar 2.Kerangka penelitian untuk prediksi penyakit.
bobot tepi dari D1ke D2pada jaringan komorbiditas ini adalah 2 karena
bobotnya pada kedua IDN adalah 1.

3. Metode T2D. Popu-

Kami membagi kerangka penelitian kami, seperti yang diilustrasikan
dalamGambar 2, menjadi tiga bagian. Pertama, kami menghasilkan
pandangan jaringan perkembangan penyakit kronis, yaitu,Jaringan
Komorbiditaspenciptaan. Kedua, kami menghitung skor risiko untuk
berbagai faktor demografis, perilaku, dan jaringan. Bagian terakhir memiliki
dua komponen. Pada komponen pertama, kami memprediksi risiko penyakit
kronis dengan mencocokkan jalur kesehatan pasien yang tidak terdiagnosis
dengan jaringan komorbiditas. Komponen kedua memvalidasi prediksi
komponen pertama menggunakan validasi k-fold.
3.1. Jaringan komorbiditas (NC) kreasi
Dalam kerangka kami untuk prediksi risiko, jaringan komorbiditas (NC)
berfungsi sebagai dasar untuk perkembangan T2D.Gambar 1menggambarkan
bagaimana jaringan komorbiditas untuk kelompok tertentu dibuat dari IDN
kelompok tersebut. Untuk implementasi kami, pertama-tama kami memilih
dua kelompok seperti yang telah dibahas sebelumnya, yaitu -CT2DDanC′
ukuran rasio dari kedua kohort ini adalah sama. Jaringan komorbiditas,
yaitujaringan komorbiditas diabetesdihasilkan dariCT2D. Ini mewakili
lintasan kesehatan T2D, dan riwayat komorbiditas dipilih sampai
mereka pertama kali didiagnosis dengan T2D (yaitu, ketika
Kode E11 ditemukan dalam riwayat penerimaan). DariC′ T2D, lain
jaringan komorbiditas, yaitujaringan komorbiditas non-diabetesdibuat.
Ini mewakili lintasan kesehatan untuk pasien yang bukan penderita
diabetes, dan riwayat masuk mereka terdiri dari garis waktu lengkap
dari kumpulan data penelitian. Sekarang kami membangun jaringan
komorbiditas akhir (NC) dengan menggabungkan dua jaringan
komorbiditas tersebut. Proses penggabungan dikenal sebagai
'penyesuaian atribut'. Ini memberikan prioritas positif pada
komorbiditas yang lebih banyak terjadi pada jaringan komorbiditas
diabetik dibandingkan dengan jaringan komorbiditas non-diabetes dan
memberikan prioritas negatif untuk kasus sebaliknya. Atribut frekuensi
simpul dan berat tepi jaringan komorbiditas diabetes dan non-diabetes
disesuaikan untuk jaringan komorbiditas akhir (NC).
 A. Khan, S. Uddin dan U. Srinivasan / Sistem Pakar Dengan Aplikasi 136 (2019) 230–241 233

Tabel 1 ing kesamaan-cocok skor. Formulasi matematis dari skor ini dibahas di
Daftar faktor risiko yang dipertimbangkan dalam kerangka kerja.
bawah ini.
Jenis faktor risiko Nama Jenis nilai Notasi

Demografis, Usia Kontinu

3.2.2.1. Skor kecocokan simpul grafik.Ini mengukur kesamaan antara
rfusia
perilaku Seks Diskrit rfseks jaringan pasien uji (Ntes) dan jaringan komorbiditas (NC) dalam hal
Perilaku Diskrit rfberperilaku prevalensi penyakit. Skor mempertimbangkan intensitas prevalensi,
Grafik/kesehatan Pencocokan simpul grafik Kontinu rfgNode atau frekuensi simpul untuk perhitungan. Jadi, untuk pasien uji, nilai
berbasis lintasan Pencocokan pola grafik Kontinu rfgPat
tinggi dalam skor kecocokan simpul grafik hanya mungkin terjadi
Kluster jaringan Kontinu rfgugus
cocok dalam dua skenario berikut:

(a) Pasien uji memiliki lebih banyak penyakit yang juga ada diNC.
(b) Penyakit-penyakit ini (yang umum terjadi di kedua jaringan) memiliki prevalensi
3.2. Perhitungan skor risiko
yang lebih tinggi di wilayah tersebutNCserta diNtes.

Pada bagian ini, kami menghitung skor risiko untuk berbagai faktor Secara matematis, faktor risiko berbasis simpulrfsimpuldari setiap nodeDtes(Saya)
berbasis lintasan demografis, perilaku, dan kesehatan. Keseluruhan enam dalam jaringan pasien ujiNtesdapat didefinisikan sebagai berikut:
faktor risiko di bawah dua kategori dianggap sebagai variabel independen
skor pertandingan
dan terdaftar diTabel 1. Selain itu, dua subbab berikut membahas proses Fsimpuluji(i) = , Di mana
total praayAl
perhitungan skor risiko untuk kedua kategori tersebut.
|V (N∑tes)| ( ) ( )
3.2.1. Usia, jenis kelamin dan faktor risiko perilaku skor pertandingan= f req dtes(i) ∗f req dJ NC
,
Literatur menunjukkan bahwa usia merupakan faktor risiko T2D ( Saya=1

Zoungas et al., 2014). Beberapa penyakit kronis juga cenderung memiliki Dtes(i)=DJ, iklan
NC
N
bias gender. Juga, beberapa faktor risiko perilaku, seperti alkohol atau
merokok bertindak sebagai faktor risiko T2D dan dipertimbangkan dalam
|V (N∑tes)| ( )
total praayAl= f req dtes(i) (1)
kerangka kerja. Jika pasien memiliki riwayat alkohol atau merokok saat ini
Saya=1
atau sebelumnya, itu sering diberi kode dan tercermin dalam catatan
penerimaan pasien. Oleh karena itu, dengan melihat kode ICD terkait Intinya, skor adalah jumlah tertimbang yang dinormalisasi. Jumlah
penggunaan alkohol dan merokok, kami dapat menetapkan skor risiko tertimbang ('skor kecocokan') dihitung dengan mengalikan frekuensi
perilaku untuk pasien. penyakit umum dari tes dan jaringan komorbiditas dan
Faktor usia (rfusia) adalah skor kontinu, mulai dari 0 sampai 1. Kami menjumlahkannya. Ini kemudian dinormalisasi dengan jumlah
membagi usia aktual pasien (dalam tahun) dengan selisih antara usia keseluruhan frekuensi jaringan uji ('preval total').
maksimum dan minimum dalam kohort agar menjadi normal. Faktor
risiko jenis kelamin (rfseks) pada dasarnya adalah skor kategoris dan 3.2.2.2. Skor kecocokan pola grafik.Seperti faktor risiko berbasis nodus,
tidak memerlukan perhitungan lebih lanjut. Terakhir, skor untuk faktor skor pencocokan pola grafik mengukur kesamaan dalam transisi
risiko perilaku (rfberperilaku) memiliki nilai diskrit 0 jika pasien tidak penyakit, yaitu, jumlah tepi yang cocok dan frekuensi yang sesuai
memiliki kode ICD yang dianggap sebagai skor risiko (misalnya, (bobot tepi). Mirip dengan skor kecocokan node grafik, skor ini juga
merokok) dan 1 jika ditemukan setidaknya satu kecocokan. merupakan jumlah tertimbang yang dinormalisasi. Oleh karena itu,
secara matematis, faktor risiko berbasis polarftepiandari tepi manapun e
3.2.2. Perhitungan skor risiko berbasis grafik test(di, dj)antara penyakit penyertaDSayaDanDJdari penyakit pasien uji

Tiga skor risiko terhadap tiga faktor risiko berbasis jaringan atau kemudahan jaringan,Ntesadalah sebagai berikut:

lintasan kesehatan dihitung. Hal ini dilakukan dengan membandingkan skor pertandingan
riwayat medis pasien tes dengan jaringan komorbiditas (NC). Prinsip- rftepiane = , Di mana
( di ,dj)
tes total praayAl
prinsip di bawah ini diikuti saat pencocokan. Menurut mereka,
kemungkinan pasien terkena penyakit kronis meningkat - |V (N∑tes)| ( ) ( )
skor pertandingan= permintaan f
etes(D Saya ,DJ ) ∗permintaan f
eNC(DSaya,DJ)
(a) ketika dia memiliki riwayat penyakit yang memiliki frekuensi simpul yang
Saya=1,J=1,Saya=J,
tinggiNC.
(b) jika dia memiliki lebih banyak penyakit dariNC.
e
tes ( di ,dj) ∈E(Ntes)
(c) jika urutan perkembangan penyakitnya sebagian besar cocok dengan
|V (N∑tes)| ( )
urutan penyakit tersebut diNC. total praayAl= f req etes(DDSayaJ) (2)
(d) jika penyakit berpasangan dalam jaringan perkembangan penyakitnya, termasuk
Saya=1,J=1,Saya=J,
dalam kelompok atau kelompok yang sama diNC.
e
tes ( di ,dj)E(∈tesN)
Metode perbandingan keseluruhan untuk mencocokkan jaringan
pasien uji denganNCdisebut sebagai 'pencocokan jarak longitudinal'. Dalam(2),e(Ntes) menunjukkan himpunan semua sisiNtes. Jika tepi e
Metode perbandingan jaringan ini dilatarbelakangi oleh konsep 'Jarak NC(di,dj)tidak
ada, frekuensi yang sesuai adalah nol.
Edit String' algoritma, juga dikenal sebagai 'Jarak Levenstein' (
Levenstein, 1966). 'Jarak edit' didefinisikan sebagai jumlah minimum 3.2.2.3. Skor kecocokan cluster grafik.Ukuran ini dinilai terhadap faktor
operasi (penyisipan, penghapusan, atau penggantian) yang diperlukan risiko berbasis cluster,rfgugusberdasarkan teori jaringan sosial
untuk mengubah satu kata menjadi kata lain dan digunakan secara pengelompokan. Motivasi di balik skor ini adalah bahwa penyakit tidak
luas dalam pemeriksa ejaan, saran kata, dan pengenalan karakter terjadi dalam isolasi, melainkan sekelompok penyakit cenderung terjadi
optik. Demikian pula, untuk mengukur perbedaan antara jaringan bersama-sama: penyakit ini memiliki jumlah transisi yang lebih tinggi
penyakit pasien uji danNC, kami mencoba mencari tahu jumlah (yaitu, keberadaan tepi, frekuensi yang lebih tinggi) di antara mereka
minimum perubahan yang diperlukan untuk mengonversi jaringan dan jumlah yang lebih rendah. transisi ke penyakit kelompok lain. Oleh
pasien uji menjadiNC. Perubahan diukur dalam hal atribut grafik, yaitu - karena itu, skor ini mengukur proporsi tepi dalam jaringan pasien uji (N
frekuensi node, bobot tepi dan cluster. Berdasarkan ketiga atribut ini, tes) yang terletak di dalam cluster yang sama di jaringan komorbiditas (
kami memiliki tiga faktor risiko berbasis jaringan dan korespondensi NC).
234 A. Khan, S. Uddin dan U. Srinivasan / Sistem Pakar Dengan Aplikasi 136 (2019) 230–241
Untuk menghitung skor, framework terlebih dahulu menjalankan
algoritma pengelompokan (Blondel, Guillaume, Lambiotte, & Lefebvre, 2008)
dalam NC. Jika pasangan simpul membentuk tepi dariNtesjatuh di bawah
cluster yang sama diNC, ini dihitung sebagai pencocokan klaster. Misalnya,
jikaNtesjaringan memiliki keunggulan antara dua penyakit – hipertensi dan
stroke dan kedua penyakit ini juga termasuk dalam kelompok yang sama di
NCjaringan maka tepi ituNtesdihitung sebagai pertandingan. Pasangan
simpul untuk semua sisi dariNtesdicocokkan dengan cara itu dan jumlah
keseluruhan kecocokan disebut sebagaiNpertandingan (Ntest). Skor kecocokan
akhir adalah jumlah dari semua kecocokan klaster yang dinormalisasi
dengan jumlah sisi yang ada diNtes. Karena itu,
Npertandingan (Ntes)
rfgugus= . (3)
jumlah tepi total dalam NC
3.3. Prediksi risiko penyakit
Pada fase ini, kami memprediksi risiko berkembangnya penyakit
kronis untuk pasien uji yang memiliki penyakit penyerta tertentu
namun belum didiagnosis dengan penyakit tersebut untuk diprediksi.
Kami menggunakan tiga model prediktif untuk analisis kinerja dan
tujuan perbandingan, yaitu - 1) model estimasi parameter, 2) regresi
logistik biner dan 3) klasifikasi pohon biner. Semua model ini pertama
kali dilatih menggunakan kelompok pelatihan yang berisi pasien T2D
dan non-T2D dalam jumlah yang sama. Dalam proses ini, skor risiko
untuk tiga faktor risiko berbasis jaringan dihitung untuk kelompok
pelatihan dengan membandingkannya dengan jaringan komorbiditas.
Tiga skor risiko demografis dan perilaku lainnya diperoleh dari data
pasien. Sekarang, dengan menggunakan hasil yang diketahui dan
enam skor risiko untuk setiap pasien uji,
Model estimasi parameter banyak digunakan di berbagai domain (Aksoy,
2015; Ferrier & Lovell, 1990; Kailath, Sayed, & Hassibi, 2000) di mana model
matematis dengan satu atau lebih parameter dihasilkan dan kemudian nilai
parameter optimal diestimasi melalui berbagai teknik. Untuk implementasi
kami, model yang digunakan adalah model linier dari enam faktor risiko
yang masing-masing memiliki bobot faktor atau parameter. Jumlah faktor
risiko tertimbang dianggap sebagai ambang batas untuk prediksi T2D.
Setiap pasien uji yang memiliki skor risiko keseluruhan lebih besar dari
ambang batas yang diperkirakan untuk T2D. Dengan demikian, fungsi
tujuan dari model estimasi parameter adalah untuk menemukan nilai
ambang optimal dengan menyetel enam parameter untuk setiap faktor
risiko yang memberikan akurasi prediksi maksimum untuk dataset
pelatihan. Model estimasi parameter diselesaikan secara iteratif sebagai
masalah pemrograman linier.
Mirip dengan metode estimasi parameter, regresi logistik biner
menghasilkan model linier di mana koefisien untuk setiap faktor risiko
dan intersep dihitung. Log-peluang probabilitas adalah variabel
dependen. Kami menafsirkan 0,5 sebagai nilai probabilitas ambang
batas. Siapa pun yang memiliki probabilitas prediksi lebih besar dari 0,5
diprediksi menderita diabetes dan sebaliknya. Klasifikasi pohon biner,
di sisi lain, bukanlah model linier, melainkan metode berbasis data
mining. Ini menghasilkan pohon keputusan biner. Setiap simpul non-
daun dari pohon memiliki logika perbandingan yang terkait dengan
salah satu faktor risiko, berdasarkan mana keputusan dicabangkan ke
simpul anak yang dapat berupa simpul logika lain atau simpul daun
yang berisi prediksi akhir.
Setelah model prediktif dilatih dan akibatnya parameter prediksi
diperoleh, parameter ini digunakan untuk menjalankan prediksi
menggunakan kelompok uji data lainnya. Kelompok uji juga berisi
jumlah pasien T2D dan non-T2D yang sama untuk memvalidasi hasil
prediksi.
3.4. Validasi K-fold
Kami menggunakan validasi silang k-fold untuk menguji bagaimana model kami
dapat diskalakan atau digeneralisasikan ke kumpulan data lain untuk kronis yang sama
penyakit tanpa mengubah parameter apapun. Di dalamk-fold validasi,
anggota kelompok asli ditugaskan secara acakkberukuran sama, partisi
yang saling eksklusif (Kohavi, 1995). Dari inik partisi, satu partisi
ditugaskan untuk menguji model dan sisanyak-1partisi digunakan
untuk melatih model. Setelah model dilatih dan diuji menggunakan
penetapan ini, partisi tunggal lainnya ditetapkan untuk pengujian dan
sisanyak-1 digunakan untuk pelatihan. Dengan cara ini, seluruh proses
diulangikkali menggunakan penetapan partisi yang berbeda untuk
pelatihan dan pengujian.
Untuk kerangka kerja kami, kami menggunakan validasi silang 10
kali lipat yang biasa diikuti (yaitu,k=10). Kami membagi kohort pasien
T2D dan non-T2D (misCSaya(T2D)DanC′ Saya(T2D)) masing-masing menjadi 10 partisi
dariukuran yang sama. Awalnya, enam partisi pertama digunakan untuk
membangkitkan jaringan komorbiditas, tiga partisi berikutnya digunakan
untuk melatih dataset dan partisi terakhir digunakan untuk menguji
keakuratan prediksi. Dalam iterasi berikutnya, penetapan partisi digeser ke
kanan satu tempat pada satu waktu. Secara keseluruhan, 10 iterasi dibuat
untuk memvalidasi framework.
4. Hasil dan Pembahasan
Kumpulan data keseluruhan berisi sekitar 385.000 anggota yang
memenuhi syarat yang memiliki informasi komorbiditas yang
diperlukan dalam hal kode ICD dan karenanya memenuhi kriteria untuk
dimasukkan dalam kerangka penelitian. Setelah memindai daftar
komorbiditas mereka, kami menemukan total 18.353 pasien yang
memiliki jenis kode yang berhubungan dengan diabetes, misalnya tipe
1, tipe 2 dan diabetes mellitus lain yang ditentukan atau tidak
ditentukan. Karena penelitian ini menganggap diabetes tipe 2 (T2D)
sebagai komorbiditas yang akan diprediksi, kami menandai pasien
yang memiliki E11 (kode ICD-10-AM untuk T2D) dalam daftar
komorbiditas mereka untuk dimasukkan dalam kohort diabetes. Ini
menghasilkan 16.812 pasien T2D. Karena kohort diabetes dan non-
diabetes membutuhkan jumlah pasien yang sama, kami secara acak
mengambil sampel pasien non-diabetes dengan jumlah yang sama dari
daftar pasien yang memenuhi syarat yang tersisa.Bagian 2.1hanya
memasukkan catatan yang memiliki informasi yang cukup berupa kode
penyakit. Dengan demikian, kohort diabetes dan non-diabetes akhir
diperoleh. Masing-masing berisi 2.300 pasien.
4.1. Pemilihan rentang kode
Kami menemukan sekitar 7000 kode ICD berbeda dalam catatan
penerimaan yang terlalu besar untuk dipertimbangkan untuk dianalisis.
Oleh karena itu, kami mengelompokkan kode ICD ke dalam komorbiditas
yang relevan dengan T2D dan penyakit kronis lainnya. Kami menggunakan
indeks Elixhauser sebagai dasar karena secara khusus dikembangkan untuk
mengukur komorbiditas menggunakan data administratif dan telah
digunakan secara luas (Proyek Biaya dan Pemanfaatan Kesehatan (HCUP),
2017; Joynt, Orav, & Jha, 2011). Indeks asli memiliki 30 komorbiditas,
kemudian direvisi menjadi 31 komorbiditas (Garland et al., 2012). Kami
mengecualikan dua komorbiditas terkait diabetes karena diabetes itu sendiri
adalah kondisi kronis untuk dijelajahi. Kami selanjutnya memeriksa literatur
untuk menemukan komorbiditas yang tidak tercakup oleh indeks Elixhauser
tetapi relevan untuk diabetes atau dapat berfungsi sebagai proksi dari
komorbiditas. Misalnya, 'Keberadaan implan dan cangkok angioplasti
koroner' dan 'Kehadiran cangkok bypass aortokoroner' menunjukkan
penyakit penyerta terkait jantung yang mungkin berhubungan dengan T2D.
Komorbiditas terkait jantung sudah ada dalam indeks Elixhauser asli, tetapi
dapat dilaporkan atau tidak dilaporkan dalam data karena kualitas
pengkodean. Di sisi lain, kondisi kesehatan proksi ini lazim dan dilaporkan
dengan baik dalam kumpulan data karena terkait dengan prosedur dan
klaim keuangan. Lewat sini, enam penyakit penyerta dan kondisi kesehatan
ditambahkan di atas indeks Elixhauser. Pemetaan antara 29 komorbiditas
pertama (berdasarkan indeks Elixhauser) dan kode ICD-10-CM berasal dari
 A. Khan, S. Uddin dan U. Srinivasan / Sistem Pakar Dengan Aplikasi 136 (2019) 230–241
Gambar 3.Jaringan komorbiditas akhir setelah penyesuaian atribut. Ukuran node mewakili frekuensinya dan node dengan warna yang sama milik komunitas yang sama. (Untuk
interpretasi referensi warna dalam legenda gambar ini, pembaca dirujuk ke versi web artikel ini.)
Meja 2
Komorbiditas dan kondisi kesehatan ditambahkan ke indeks Elixhauser.
S/LA Komorbiditas atau kondisi kesehatan
30 Katarak
31 Anemia, tidak ditentukan
32 Riwayat pengobatan jangka panjang,
33 degenerasi makula insulin
34 Adanya implan dan cangkok angioplasti koroner
35 Adanya cangkok bypass aortocoronary
AS/L berlanjut dari Elixhauser Index.'?' menunjukkan topeng wildcard: yaitu, 'H25?'
berarti setiap kode ICD dimulai dengan 'H25' (misalnya, H25.0, H25.1).
pekerjaan dariQuan dkk. (2005)dan diperiksa secara manual untuk
kompatibilitas dengan ICD-10-AM. Enam penyakit penyerta dan kondisi
kesehatan tambahan dipetakan dengan kode ICD dari database
referensi ICD-10-AM (ACCD, 2015) dan terdaftar diMeja 2. Jaringan
komorbiditas selanjutnya berdasarkan 35 komorbiditas ini
diilustrasikan dalamGambar 3.
4.2. Pengembangan model prediksi
Seperti disebutkan di bagian metode, kami menggunakan tiga metode
pemodelan prediktif (lihatGambar 1): model estimasi parameter, regresi
logistik biner dan klasifikasi pohon biner.Gambar 4menunjukkan bagian
ketiga dari kerangka kerja yang mengimplementasikan
235
metode ini dan kemudian menganalisis pengaruh variabel jaringan,
demografis dan perilaku dalam kinerja prediksi.
ICD-10-AM Setelah penyaringan, masing-masing kelompok diabetes dan non-
H25?, H26?
diabetes terdiri dari 2.300 pasien. Kedua kelompok dibagi menjadi 10 partisi.
D64.9 Dari mereka, 6 partisi pertama digunakan untuk menghasilkan jaringan
Z92.22 komorbiditas dasar, 3 partisi berikutnya digunakan untuk pelatihan dan
H35.3 sisanya digunakan untuk pengujian dan validasi. Seperti yang ditunjukkan di
Z95.5
Gambar 4, kami pertama-tama membandingkan jaringan penyakit individu
Z95.1
(IDN) masing-masing pasien dalam kelompok pelatihan dengan jaringan
komorbiditas dan menghitung kesamaan grafik (simpul dan tepi) dan skor
kecocokan klaster. Untuk pengelompokan, kami menerapkan algoritma
deteksi komunitas yang diusulkan olehBlondel dkk. (2008)yang dibangun di
Gephiperangkat lunak. Ini menghasilkan tiga kelompok dalam jaringan
komorbiditas akhir. Skor risiko demografis dan perilaku yang tersisa tidak
memerlukan jaringan komorbiditas untuk perbandingan, karena skor
tersebut hanyalah skor risiko individu.
Setelah memperoleh enam skor variabel independen untuk setiap pelatihan
pasien, kami mencoba untuk mengeksplorasi hubungan mereka dengan variabel
dependen - kondisi diabetes pelatihan pasien. Matriks scatterplot yang dihasilkan
ditunjukkan padaGambar 5.
Gambar 5(c) dan (e) menunjukkan bahwa faktor risiko jenis kelamin dan
perilaku mungkin tidak berpengaruh dalam pemodelan prediksi linier (yaitu,
dalam model estimasi parameter dan model regresi logistik biner) karena
keduanya terdistribusi secara merata untuk pasien T2D dan non-T2D .Gambar 5(a),
usia vs hasil menunjukkan kecenderungan skor risiko usia yang lebih tinggi untuk
pasien diabetes. Pun demikian, jika kita berpikir secara horizontal
236 A. Khan, S. Uddin dan U. Srinivasan / Sistem Pakar Dengan Aplikasi 136 (2019) 230–241
Gambar 4.Komponen prediksi dan analisis kinerja (bagian ketiga) dari kerangka kerja.
Tabel 3
Faktor pembobotan optimal dari model estimasi parameter (dari iterasi
fold-0).
Faktor risiko Faktor pembobotan optimal (dinormalkan)
Usia 0,1933
Seks 0 Usia
Perilaku 9.62 E-06
Pencocokan simpul grafik 1 Perilaku
Pencocokan pola grafik 0,09625
Pertandingan klaster 9.62 E-05
garis ambang untuk mengklasifikasikan T2D dan non-T2D, sejumlah besar skor
usia milik pasien non-T2D berada di atas garis ambang. Poin-poin ini akan
memberikan false positive jika kita menganggap usia sebagai satu-satunya
variabel. Selanjutnya, diGambar 5(b), menunjukkan bahwa sebagian besar pasien
diabetes menerima skor kecocokan simpul grafik yang lebih tinggi daripada
pasien nondiabetes. Dan skor kecocokan simpul kelompok terakhir telah condong
ke garis nol yang menunjukkan bahwa skor kecocokan simpul grafik harus
menjadi prediktor yang baik.
Kami kemudian secara statistik menguji skor risiko untuk kelompok
pelatihan T2D dan non-T2D untuk menentukan apakah skor risiko mereka
berbeda secara signifikan atau tidak. Kami melakukan dua sampel WelchT
-tes pada dua kohort ini dalam hal masing-masing usia dan simpul, pola, dan
skor pencocokan kluster. Keempat variabel menunjukkan signifikan secara
statistik (p <0,01) perbedaan antara kelompok T2D dan non-T2D. Kami
melakukan uji chi-square pada jumlah pasien dalam hal variabel kategori -
jenis kelamin dan adanya faktor risiko perilaku untuk kedua kohort. Hasilnya
tidak mengungkapkan perbedaan yang signifikan dalam hal kedua faktor
risiko ini yang analog dengan pola yang divisualisasikanGambar 5. Pada
subbagian berikut, kami mengimplementasikan model prediktif
menggunakan tiga metode yang disebutkan sebelumnya untuk menentukan
kontribusi dan signifikansi masing-masing parameter serta untuk mengukur
kinerja prediksi secara keseluruhan.
4.2.1. Pengaruh faktor risiko dari model estimasi parameter Model
estimasi parameter secara iteratif menemukan nilai parameter
optimal terhadap masing-masing variabel independen untuk
memaksimalkan akurasi prediksi untuk dataset pelatihan. Faktor
pembobotan optimal dan ternormalisasi untuk faktor risiko ditunjukkan
padaTabel 3. Hasilnya didapat dari eksekusi fold-0; lipatan lain
memberikan hasil yang serupa.
Tabel tersebut menunjukkan bahwa skor kecocokan node grafik memberikan
kontribusi paling penting untuk memprediksi skor risiko. Ini menunjukkan bahwa
ukuran berbasis jaringan yang diusulkan berpengaruh dalam
Tabel 4
Nilai koefisien terhadap faktor risiko dalam
model regresi logistik biner (dari fold-0) iterasi).
Faktor risiko Nilai koefisien
6.20462
Seks - 0,14172
0,1749
Pencocokan simpul grafik 27.37487
Pencocokan pola grafik 1.96632
Pertandingan klaster 0,87465
ramalan. Ini juga memperkuat bahwa komorbiditas dan frekuensinya
berbeda secara signifikan antara pasien diabetes dan non-diabetes.
Kontribusi terpenting kedua dikaitkan dengan skor usia, yang secara
signifikan lebih kecil dari yang sebelumnya. Secara klinis, sebagian
besar diagnosis diabetes tipe 2 terjadi setelah usia 45 tahun (Asosiasi
Diabetes Amerika, 2014) menjadikannya indikator potensial. Namun, itu
tidak menjadi potensi dalam kasus kami, karena proporsi yang relatif
tinggi dari pasien usia non-diabetes dalam dataset juga.
Faktor pembobotan tertinggi ketiga dengan nilai 0,096 dikaitkan
dengan skor kecocokan pola grafik, yang hampir setengah dari skor
risiko usia. Skor kecocokan pola cocok dengan pola transisi penyakit
pasien uji dengan pola dalam jaringan komorbiditas. Jaringan
perkembangan penyakit pasien uji seringkali jarang karena rendahnya
jumlah penerimaan dalam dataset yang menghasilkan jumlah pola
transisi yang lebih rendah. Selanjutnya, skor kecocokan pola yang
dihasilkan mungkin terlalu terperinci untuk kumpulan data tanpa
menangkap informasi yang signifikan untuk prediksi. Oleh karena itu,
skor kecocokan pola grafik tidak berbeda jauh dibandingkan dengan
dua prediktor lain yang lebih signifikan. Tiga faktor risiko lainnya tidak
mencapai banyak signifikansi dalam hal faktor pembobotannya.
4.2.2. Pengaruh faktor risiko dari regresi logistik
Metode regresi logistik biner memodelkan variabel dependen (yaitu,
hasil) sebagai rasio ganjil terhadap jumlah linier variabel independen,
yang masing-masing memiliki koefisien sebagai faktor pengali. Untuk
analisis ini, variabel kategori diubah menjadi variabel dummy sebelum
mengimplementasikan model. Tabel 4melaporkan nilai koefisien dari
eksekusi fold-0; lipatan lain memberikan hasil yang serupa.
Tabel 4menunjukkan bahwa skor kecocokan node grafik sekali lagi
memberikan kontribusi paling penting untuk memprediksi risiko, memperoleh a
 A. Khan, S. Uddin dan U. Srinivasan / Sistem Pakar Dengan Aplikasi 136 (2019) 230–241 237

Gambar 5.Matriks scatterplot untuk faktor risiko dari model estimasi parameter. Sumbu X menunjukkan kondisi diabetes sebenarnya dari pasien uji. Nilai gelisah pada sumbu X untuk
visualisasi.

nilai koefisien 27,37. Hal ini menunjukkan bahwa dengan setiap
peningkatan skor kecocokan simpul grafik, log odd diabetes meningkat
sebesar 27,37. Kontribusi terpenting kedua sekali lagi dikaitkan dengan
skor usia, dengan nilai koefisien 6,2. Skor kecocokan pola grafik
menarik faktor pembobotan tertinggi ketiga. Hasil ini analog dengan
model estimasi parameter.
4.2.3. Pengaruh faktor risiko dari metode klasifikasi pohon biner Metode ini
secara berurutan membagi set pelatihan pasien menjadi dua kelompok
berdasarkan kondisi jangkauan dari salah satu variabel independen. Untuk
implementasi kami lebih dari 10 kali lipat, klasifikasi pohon biner sebagian
besar membuat tiga pemisahan: pertama, berdasarkan skor simpul grafik,
kedua berdasarkan skor usia dan akhirnya skor kecocokan pola. Untuk dua
kasus, pemisahan tambahan dilakukan pada skor kecocokan klaster. Juga,
dalam tiga kasus, hanya ada satu perpecahan
berdasarkan skor kecocokan simpul grafik.Gambar 6menunjukkan pohon
klasifikasi yang dihasilkan dari iterasi fold-0 yang memiliki tiga split.
Di dalamGambar 6, kita dapat melihat bahwa tiga pemisahan dibuat
berdasarkan dua faktor risiko, yaitu simpul grafik (gNode) dan usia, dalam urutan
itu. Skor kecocokan pola grafik tidak muncul secara signifikan pada lipatan ini
karena dua faktor risiko lainnya pada tiga pemisahan pertama memberikan
akurasi yang optimal. Dari gambar tersebut terlihat bahwa split kedua dan ketiga
dapat diringkas dan dieksekusi sebagai satu split tunggal, yaitu dengan syarat:
umur >0,3364. Namun, algoritma klasifikasi pohon biner masih membuat dua
pemisahan berturut-turut pada skor risiko yang sama dengan algoritma (Breiman,
Friedman, Stone, & Olshen, 1984) menumbuhkan pohon dengan membaginya
secara progresif pada satu faktor risiko pada satu waktu berdasarkan heuristik (
Lho, 2011) tanpa mengetahui kondisi split berikutnya sebelumnya. Karena pohon
terakhir tidak besar, kami tidak menerapkan pemangkasan untuk
menyederhanakan pohon dan ada belahan pada kondisi yang sama.
238 A. Khan, S. Uddin dan U. Srinivasan / Sistem Pakar Dengan Aplikasi 136 (2019) 230–241
Gambar 6.Pohon klasifikasi dihasilkan dari metode klasifikasi pohon biner (iterasi fold-0).
Metode klasifikasi pohon menampilkan kepentingan relatif dari masing-
masing parameter. Untuk sebagian besar dari 10 iterasi, hanya tiga
parameter yang dianggap penting. Tiga sisanya - skor risiko perilaku, skor
jenis kelamin dan skor kecocokan klaster, tidak diberi skor kepentingan apa
pun untuk sebagian besar kasus, sebagaimana adanya.
Gambar 7.Kepentingan parameter lebih dari 10 lipatan dalam metode klasifikasi pohon (faktor risiko perilaku tidak ditampilkan).
tidak digunakan dalam output pohon klasifikasi. Skor kepentingan yang
diberikan terhadap setiap skor risiko selama 10 kali lipat ditampilkan di
Gambar 7.
Gambar 7menegaskan bahwa skor kecocokan simpul grafik secara
konsisten memperoleh skor kepentingan tertinggi dari semua
parameter, sebagian besar dalam kisaran 60-70. Ini menunjukkan
bahwa menggunakan parameter ini pada awalnya memberikan akurasi
paling tinggi dalam pemisahan primer, yang kemudian disesuaikan
dengan dua parameter berikutnya, pertama - skor usia, yang menerima
skor kepentingan dalam kisaran 16-26 di seluruh lipatan. Ini diikuti dan
sering digantikan oleh skor kecocokan pola grafik, dalam kisaran 14-23.
Faktanya, baik skor kecocokan pola maupun skor usia sering kali sama
pentingnya. Secara keseluruhan, kita dapat mengamati bahwa hasilnya
analog dengan regresi logistik biner dan model estimasi parameter.
Untuk meringkas, kami menghasilkan model prediktif yang dapat
menilai risiko diabetes. Untuk melatih model, kami menggunakan tiga
partisi dengan total 690 pasien diabetes dan 690 pasien non-diabetes.
Ketiga metode prediksi menghasilkan keluaran yang relatif sama dalam
hal pengaruh enam faktor risiko atau variabel independen. Skor
kecocokan node grafik menerima skor pengaruh tertinggi yang juga
secara signifikan lebih besar daripada skor yang diberikan untuk
parameter lainnya. Skor usia adalah faktor risiko terpenting kedua
dalam memprediksi risiko diabetes, sedangkan skor kecocokan pola
grafik menerima skor yang relatif lebih kecil.
4.3. Hasil penilaian risiko untuk kelompok uji
Pada tahap ini, tiga metode prediktif diimplementasikan pada
kelompok uji dengan menggunakan nilai parameter masing-masing
(misalnya nilai koefisien/faktor pembobot optimal dari faktor risiko,
pohon klasifikasi) yang diperoleh selama pelatihan. Kelompok uji terdiri
dari partisi terakhir (dari 10) yang berisi 230 pasien diabetes dan 230
pasien non-diabetes. Regresi logistik biner dan pohon biner
 A. Khan, S. Uddin dan U. Srinivasan / Sistem Pakar Dengan Aplikasi 136 (2019) 230–241 239

Tabel 5
Hasil terkait prediksi untuk model yang berbeda berdasarkan rata-rata semua lipatan.

Regresi logistik biner. Model estimasi parameter Klasifikasi pohon biner

Benar positif (%) 81.78 91.91 93.96

Benar-benar negatif (%) 83.35 79.09 78.48
Positif palsu (%) 16.65 20.91 21.52
Negatif palsu (%) 18.22 8.09 6.04
Akurasi (%) 82.56 85.5 86.22
SD Akurasi 1.55 1.23 1.16

metode klasifikasi diimplementasikan dalam bahasa 'R' dan pengujian
model estimasi parameter diimplementasikan dalam perangkat lunak
khusus kami.Tabel 5menunjukkan hasil prediksi untuk tiga model
prediksi yang diterapkan pada partisi pengujian. Hasilnya diperoleh
dari fold-0.
Klasifikasi pohon biner menunjukkan akurasi rata-rata tertinggi
86,22% di semua lipatan, diikuti oleh model estimasi parameter, yang
memberikan akurasi 85,5%. Regresi logistik biner dilakukan dengan
akurasi yang sedikit lebih rendah dari model estimasi parameter, yaitu
82,56%. Hasilnya tidak banyak menyimpang di 10 lipatan yang terlihat
dari standar deviasi yang rendah. Untuk metode estimasi parameter
dan klasifikasi pohon biner, false positive count lebih besar daripada
false negative. Ini lebih disukai untuk kerangka kerja. Karena untuk
perspektif prediksi penyakit kronis, lebih aman menandai pasien yang
kurang berisiko sebagai berisiko kronis (yaitu, positif palsu) daripada
menandai dengan cara sebaliknya (yaitu, negatif palsu).
Kami dapat mengaitkan sejumlah kecil perolehan akurasi dalam
model estimasi parameter kami di atas model regresi logistik dengan
cara interpretasi hasilnya. Meskipun kedua model mengasumsikan
hubungan linier, ada sedikit perbedaan. Estimasi parameter
model memberikan output sebagai skor risiko tunggal untuk pasien uji.
Juga, memberikan nilai skor ambang optimal setelah pelatihan. Semua
pasien yang mendapat skor lebih tinggi dari skor ambang batas
ditandai sebagai diabetes, dan non-diabetes sebaliknya (lihatGambar 8
untuk ilustrasi lipat-0). Di sisi lain, regresi logistik memberikan output
sebagai log rasio odds. Rasio odds log meningkat secara linear dengan
variabel independen, bukan probabilitas aktual itu sendiri. Untuk model
estimasi parameter kami, skor risiko itu sendiri berhubungan linier
dengan skor risiko, atau variabel independen. Perbedaan ini dapat
mempengaruhi perbedaan akurasi dan berkontribusi pada keuntungan
model estimasi parameter kami.
Sekarang, kami mencoba menjelaskan perolehan akurasi dari model
klasifikasi pohon biner, yang mengungguli dua model lainnya dengan selisih
tipis. Klasifikasi pohon biner bukanlah model linier, melainkan lebih
merupakan metode klasifikasi berbasis data mining. Itu mempartisi seluruh
kelompok uji secara berurutan, setiap kali terhadap satu variabel
independen dengan kondisi percabangan. Ini memberikan keuntungan logis
dan kebebasan yang lebih baik dalam mengkotak-kotakkan efek individual
dari variabel. Misalnya, metode klasifikasi memiliki kebebasan untuk
membagi pohon klasifikasi berdasarkan beberapa kali

Gambar 8.Skor risiko keseluruhan dari kelompok uji, prediksi hasil dan pengelompokan yang sesuai menurut model estimasi parameter (fold-0). Titik merah (pasien) di bawah ambang
batas optimal dan titik biru di atas ambang batas optimal adalah prediksi yang salah. (Untuk interpretasi referensi warna dalam legenda gambar ini, pembaca dirujuk ke versi web artikel
ini.)
240 A. Khan, S. Uddin dan U. Srinivasan / Sistem Pakar Dengan Aplikasi 136 (2019) 230–241
pada variabel yang sama menggunakan kondisi batas yang berbeda.
Dengan demikian, metode klasifikasi berbasis pohon dapat melihat
kontinum yang berbeda dari skor parameter, membaginya menjadi
dua atau lebih wilayah, dan memprediksi keanggotaan kelas secara
individual untuk masing-masing wilayah. Keuntungan ini tidak ada di
salah satu dari dua model linier lainnya. Singkatnya, hasil akurasi dari
ketiga metode cukup memuaskan mengingat sifat kompleks dan klinis
dari data dan fakta bahwa data memiliki beberapa keterbatasan
praktis.
Akhirnya, satu poin penting untuk dicatat bahwa penelitian ini
menggunakan kohort T2D dan non-T2D berukuran sama untuk tahap
pembuatan, pelatihan, dan pengujian jaringan komorbiditas. Namun,
jumlah pasien T2D dan non-T2D aktual tidak seimbang dengan rasio
4,8% vs 95,2% untuk kohort T2D dan non-T2D. Jika kelompok uji diambil
sampelnya secara acak untuk mencerminkan rasio yang tidak sama ini,
hal itu akan memengaruhi akurasi keseluruhan. Keakuratan baru dapat
didekati dengan memperbesar ukuran sampel dan menemukan nilai
matriks kebingungan yang sesuai. Karena ukuran pasien T2D sangat
kecil, jumlah true positive dan false negative akan lebih kecil dalam
kasus tersebut. Di sisi lain, jumlah absolut untuk negatif benar dan
positif palsu untuk pasien non-T2D akan lebih tinggi. Namun,
sensitivitas dan spesifisitas harus tetap sama jika data uji baru yang
tidak seimbang relatif bebas dari bias. Mempertimbangkan hal ini,
akurasi untuk data uji T2D dan non-T2D yang tidak seimbang masing-
masing akan menjadi 83%, 80% dan 79% untuk regresi logistik biner,
estimasi parameter dan model klasifikasi pohon biner. Karena
klasifikasi pohon biner memiliki persentase prediksi true positive dan
true negative yang lebih rendah untuk data seimbang dibandingkan
dengan dua metode lainnya, menggunakan data uji yang tidak
seimbang akan menurunkan akurasi klasifikasi pohon dan efek
sebaliknya akan terjadi untuk metode regresi logistik biner.
4.4. Dampak jenis kelamin, perilaku, dan skor kecocokan klaster
Ketiga faktor risiko ini menerima skor pengaruh yang lebih rendah atau tidak
sama sekali dalam ketiga model prediktif. Meskipun proporsi laki-laki sedikit lebih
tinggi pada kohort diabetes dalam kumpulan data penelitian, jenis kelamin tidak
terlalu penting untuk model. Ini mungkin karena memberikan nilai faktor
pembobotan yang lebih tinggi atau pentingnya skor jenis kelamin akan secara
akurat memprediksi risiko untuk beberapa pasien, tetapi pada saat yang sama
dapat menciptakan hasil positif palsu dan negatif palsu yang mengurangi akurasi
keseluruhan. Karena model prediktif memiliki enam parameter berbeda untuk
diseimbangkan, skor jenis kelamin secara alami menerima faktor pembobotan
atau kepentingan yang lebih rendah daripada parameter lain yang unggul.
Argumen serupa dapat dibuat terhadap faktor risiko perilaku yang sangat
rendah atau tidak signifikan, yang kami definisikan sebagai adanya penggunaan
tembakau atau merokok. Bukti ilmiah menunjukkan bahwa merokok
menyebabkan diabetes tipe 2 (CDC, 2015;HS, 2014): perokok 30-40% lebih
mungkin mengembangkan diabetes tipe 2 dibandingkan bukan perokok. Namun,
seperti yang diamati, ada skor risiko yang lebih signifikan (misalnya, simpul grafik
dan kecocokan pola, usia) yang mengungguli faktor risiko perilaku terkait
merokok. Fakta lainnya adalah merokok juga bertanggung jawab atas banyak
penyakit lain, termasuk kanker dan asma. Karena kami memiliki jumlah pasien
diabetes dan non-diabetes yang sama dalam kohort kami dan banyak pasien non-
diabetes memiliki penyakit yang melibatkan merokok, merokok tidak
menunjukkan kepentingan prediktif yang signifikan. Namun, karena kerangka
kerjanya adaptif, merokok dapat memberikan bobot yang lebih tinggi untuk
kumpulan data lainnya.
Akhirnya, mengenai skor kecocokan klaster - tidak ada model yang
memberikan banyak bobot padanya. Ini karena jaringan komorbiditas
ditemukan jenuh, karena 58% tepi ada di jaringan. Ini membuat skor
modularitas lebih rendah; oleh karena itu, hubungan antara komorbiditas
dari klaster yang sama memiliki sedikit perbedaan dibandingkan dengan
komorbiditas dari klaster yang berbeda. Jadi, pada fase pelatihan model
prediktif, skor kecocokan klaster antara pasien diabetes dan non-diabetes
tidak menunjukkan perbedaan yang signifikan.
ences. Selanjutnya, sejumlah besar skor kecocokan klaster pasien
pelatihan adalah nol, karena pasien ini memiliki sejumlah kecil
komorbiditas keseluruhan dalam penerimaan mereka.
5. Kesimpulan
Dalam makalah ini, kami telah memperkenalkan pendekatan baru untuk memprediksi risiko T2D menggunakan
teori grafik dan analisis jaringan sosial. Akurasi prediksi berkisar antara 82% hingga 87% di tiga model prediksi dengan
kinerja yang konsisten. Hasilnya menunjukkan bahwa teori graf dan metode berbasis analisis jejaring sosial dapat
digunakan secara efektif untuk tujuan prediksi risiko penyakit. Ini juga menawarkan pendekatan alternatif yang dapat
digunakan oleh dana perawatan kesehatan swasta dan lembaga pemerintah untuk memanfaatkan data administrasi
mereka secara lebih efektif. Ini dapat digunakan sebagai metode murah untuk memilih kelompok berisiko tinggi yang
berisiko mengembangkan T2D. Dengan memasukkan mereka ke dalam program pencegahan dan jadwal skrining
lebih lanjut, potensi masuk rumah sakit dan komplikasi dapat dihindari yang pada gilirannya dapat mengurangi
tekanan pada sumber daya kesehatan. Sebagai pekerjaan di masa mendatang, kami berencana untuk terus
mengeksplorasi kumpulan data untuk menyertakan informasi biaya guna memahami kelompok diagnosis mana yang
mengarahkan pasien penyakit kronis pada perjalanan kesehatan yang lebih mahal dan sulit. Ini dapat sangat
membantu penyedia layanan kesehatan, asuransi dan pasien untuk menilai risiko secara tepat waktu dan mengambil
tindakan pencegahan untuk mengelola perkembangan penyakit dan mengurangi biaya dalam jangka panjang.
Bersamaan dengan itu, kami juga berencana untuk menyertakan pembelajaran mesin dan teknik penambangan data
yang lebih canggih yang dapat meningkatkan performa prediksi kerangka kerja secara keseluruhan. asuransi dan
pasien untuk menilai risiko secara tepat waktu dan mengambil tindakan pencegahan untuk mengelola perkembangan
penyakit dan mengurangi biaya dalam jangka panjang. Bersamaan dengan itu, kami juga berencana untuk
menyertakan pembelajaran mesin dan teknik penambangan data yang lebih canggih yang dapat meningkatkan
performa prediksi kerangka kerja secara keseluruhan. asuransi dan pasien untuk menilai risiko secara tepat waktu dan
mengambil tindakan pencegahan untuk mengelola perkembangan penyakit dan mengurangi biaya dalam jangka
panjang. Bersamaan dengan itu, kami juga berencana untuk menyertakan pembelajaran mesin dan teknik
penambangan data yang lebih canggih yang dapat meningkatkan performa prediksi kerangka kerja secara
keseluruhan.
Penelitian ini memiliki beberapa keterbatasan. Kebanyakan dari mereka terkait dengan kendala yang melekat pada kumpulan data kesehatan dunia nyata. Kualitas
pengkodean dapat bervariasi antara rumah sakit ke rumah sakit dan antara periode waktu yang berbeda. Kebijakan perawatan kesehatan sering berubah dan dapat
memengaruhi praktik pengkodean. Pembaruan kebijakan terkadang dapat secara dramatis meningkatkan atau menurunkan frekuensi kode ICD terkait komorbiditas tertentu
dalam waktu singkat. Pendanaan, keahlian pembuat kode klinis, batasan waktu, motivasi, dll. Juga dapat memengaruhi kedalaman pengkodean. Sumber dataset adalah ringkasan
masuk dan keluar rumah sakit. Oleh karena itu, tidak memuat informasi kunjungan dokter umum (GP) dan diagnosis selanjutnya. Ini mungkin meremehkan komorbiditas pasien.
Juga, karena dataset diperoleh dari dana kesehatan swasta, mereka tidak memuat informasi tentang pasien ketika mereka dirawat di rumah sakit umum sebagai pasien umum.
Selain itu, jaminan kesehatan swasta pada layanan terkait seperti kedokteran gigi, oftalmologi, dll. bervariasi di antara pasien dan juga dapat menyebabkan perkiraan yang terlalu
rendah terhadap penyakit penyerta. Namun, dalam banyak kasus, batasan ini melekat pada sebagian besar sistem perawatan kesehatan dunia nyata di mana sebagian besar data
kesehatan dipisahkan antara badan pengatur yang berbeda dan penjaga data yang tidak dapat berbagi atau menautkan data karena kendala kebijakan, privasi, dan teknologi.
Namun demikian, terlepas dari keterbatasan ini, kumpulan data administratif yang digunakan untuk penelitian ini cukup besar dan berpotensi untuk digunakan secara murah
untuk mengidentifikasi risiko penyakit kronis. perlindungan kesehatan swasta pada layanan terkait seperti kedokteran gigi, oftalmologi, dll. bervariasi di antara pasien dan juga
dapat menyebabkan perkiraan yang terlalu rendah terhadap penyakit penyerta. Namun, dalam banyak kasus, batasan ini melekat pada sebagian besar sistem perawatan
kesehatan dunia nyata di mana sebagian besar data kesehatan dipisahkan antara badan pengatur yang berbeda dan penjaga data yang tidak dapat berbagi atau menautkan data
karena kendala kebijakan, privasi, dan teknologi. Namun demikian, terlepas dari keterbatasan ini, kumpulan data administratif yang digunakan untuk penelitian ini cukup besar
dan berpotensi untuk digunakan secara murah untuk mengidentifikasi risiko penyakit kronis. perlindungan kesehatan swasta pada layanan terkait seperti kedokteran gigi,
oftalmologi, dll. bervariasi di antara pasien dan juga dapat menyebabkan perkiraan yang terlalu rendah terhadap penyakit penyerta. Namun, dalam banyak kasus, batasan ini
melekat pada sebagian besar sistem perawatan kesehatan dunia nyata di mana sebagian besar data kesehatan dipisahkan antara badan pengatur yang berbeda dan penjaga
data yang tidak dapat berbagi atau menautkan data karena kendala kebijakan, privasi, dan teknologi. Namun demikian, terlepas dari keterbatasan ini, kumpulan data
administratif yang digunakan untuk penelitian ini cukup besar dan berpotensi untuk digunakan secara murah untuk mengidentifikasi risiko penyakit kronis. keterbatasan ini
melekat pada sebagian besar sistem perawatan kesehatan dunia nyata di mana sebagian besar data kesehatan dipisahkan antara badan pengatur yang berbeda dan pemelihara
data yang tidak dapat berbagi atau menautkan data karena kendala kebijakan, privasi, dan teknologi. Namun demikian, terlepas dari keterbatasan ini, kumpulan data
administratif yang digunakan untuk penelitian ini cukup besar dan berpotensi untuk digunakan secara murah untuk mengidentifikasi risiko penyakit kronis. keterbatasan ini
melekat pada sebagian besar sistem perawatan kesehatan dunia nyata di mana sebagian besar data kesehatan dipisahkan antara badan pengatur yang berbeda dan pemelihara
data yang tidak dapat berbagi atau menautkan data karena kendala kebijakan, privasi, dan teknologi. Namun demikian, terlepas dari keterbatasan ini, kumpulan data
administratif yang digunakan untuk penelitian ini cukup besar dan berpotensi untuk digunakan secara murah untuk mengidentifikasi risiko penyakit kronis.
Deklarasi Kepentingan Bersaing
Para penulis menyatakan bahwa tidak ada konflik kepentingan dalam
naskah ini.
Pernyataan kontribusi penulis kredit
Arif Khan:Konseptualisasi, Perangkat Lunak, Investigasi, Kurasi
Data, Analisis Formal, Validasi, Visualisasi, Penulisan - draf asli.
Syahadat Uddin:Pengawasan, Penulisan - tinjauan & penyuntingan,
Administrasi proyek, Sumber Daya, Konseptualisasi,
 A. Khan, S. Uddin dan U. Srinivasan / Sistem Pakar Dengan Aplikasi 136 (2019) 230–241
Investigasi, Validasi.Uma Srinivasan:Administrasi proyek, Pengawasan,
Sumber Daya, Penulisan - tinjauan & penyuntingan, Investigasi, Kurasi
data.
Pengakuan
Para penulis ingin mengucapkan terima kasih atas dukungan
finansial dan platform analitik data yang disediakan oleh Pusat
Penelitian Koperasi Pasar Modal di bawah Program Kualitas Pasar
Kesehatan dan mitra industri HAMB Systems Ltd.
Bahan pelengkap
Materi tambahan yang terkait dengan artikel ini dapat ditemukan,
dalam versi online, di doi:10.1016/j.eswa.2019.05.048.
Referensi
ACCD. (2015). Konsorsium Australia untuk pengembangan klasifikasi. Di dalam: ICD-10-
AM/ACHI/ACS. (Vol. 2019).https://www.accd.net.au/Icd10.aspxTerakhir diakses:
18-06-2019.
Aksoy, A. (2015). MODEL NUMERIK| Estimasi Parameter.
Asosiasi Diabetes Amerika. (2014).Laporan statistik diabetes nasional, 2014. Es-
waktu diabetes dan bebannya dalam metode estimasi epidemiologiNatl Diabetes
Stat Rep, 2009–2012.
Baglioni, M., Pieroni, S., Geraci, F., Mariani, F., Molinaro, S., Pellegrini, M.,
et al. (2013). Kerangka kerja baru untuk menyaring informasi berkualitas lebih tinggi dari data
kesehatan melalui analisis jaringan sosial. Di dalamLokakarya penambangan data (ICDMW),
konferensi internasional ke-13 IEEE 2013 tentang(hlm. 48–55). IEEE.
Barabasi, A.-L. (2007). Pengobatan jaringan — dari obesitas hingga "menyakitkan".Baru
Jurnal Kedokteran Inggris, 357, 404–407.
Blondel, VD, Guillaume, J.-L., Lambiotte, R., & Lefebvre, E. (2008). Berlangsung cepat
komunitas dalam jaringan yang besar. Jurnal Mekanika Statistik: Teori dan
Eksperimen, P10008 2008.
Breiman, L., Friedman, J., Stone, CJ, & Olshen, RA (1984).Klasifikasi dan regre-
pohon sion. Boca Raton, Florida: Pers CRC.
Breslow, MJ, & Badawi, O. (2012). Skor keparahan pada pasien yang sakit kritis: Bagian 1—di-
terpretasi dan akurasi sistem skor prediksi hasil.Jurnal DADA, 141, 245–252.
Burton, PR, Clayton, DG, Cardon, LR, Craddock, N., Deloukas, P., Duncanson, A.,
et al. (2007). Studi asosiasi genome dari 14.000 kasus tujuh penyakit umum dan 3.000
kontrol bersama.Alam, 447, 661–678. CDC. (2015). Merokok dan diabetes.Tips dari
mantan perokok: 2016.
Charlson, ME, Pompei, P., Ales, KL, & MacKenzie, CR (1987). Metode baru
mengklasifikasikan komorbiditas prognostik dalam studi longitudinal:
Pengembangan dan validasi.Jurnal Penyakit Kronis, 40, 373–383.
Davis, DA, Chawla, NV, Blumm, N., Christakis, N., & Barabási, A.-L. (2008). Pra-
mendikte risiko penyakit individu berdasarkan riwayat medis. Di dalamProsiding
konferensi ACM ke-17 tentang Manajemen Informasi dan Pengetahuan(hlm. 769–
778). ACM.
Davis, DA, Chawla, NV, Christakis, NA, & Barabási, A.-L. (2010). Waktu untuk PEDULI:A
mesin kolaboratif untuk prediksi penyakit praktis.Penambangan Data dan Penemuan
Pengetahuan, 20, 388–415.
Departemen Kesehatan (Pemerintah Australia) (2016). Rumah Sakit Casemix Pro-
tokol (HCP). Di dalam:Statistik Laporan Tahunan HCP dan PHDB.http://
www.kesehatan. gov.au/internet/main/publishing.nsf/Content/health-casemix-data-
collectionsabout-HCP. Terakhir diakses: 18-06-2019.
Elixhauser, A., Steiner, C., Harris, DR, & Coffey, RM (1998). Tindakan komorbiditas
untuk digunakan dengan data administrasi.Perawatan Medis, 36, 8–27.
Ferrier, GD, & Lovell, CK (1990). Mengukur efisiensi biaya di perbankan: Econo-
bukti metrik dan pemrograman linier.Jurnal Ekonometrika, 46, 229–245. Folino, F.,
Pizzuti, C., & Ventura, M. (2010). Pendekatan jaringan komorbiditas untuk pra-
dikte risiko penyakit. Di dalamTeknologi informasi dalam informatika bio dan medis, ITBAM
2010(hlm. 102–109). Peloncat.
Garland, A., Fransoo, R., Olafson, K., Ramsey, C., Yogendren, M., Chateau, D.,
et al. (2012).Epidemiologi dan hasil penyakit kritis di manitoba. Universitas Manitoba,
Winnipeg, Manitoba. Fakultas Kedokteran, Departemen Ilmu Kesehatan Masyarakat.
Gregg, EW, Cadwell, BL, Cheng, YJ, Cowie, CC, Williams, DE, Geiss, L.,
et al. (2004). Tren prevalensi dan rasio diabetes terdiagnosis dan tidak terdiagnosis
menurut tingkat obesitas di AS.Perawatan Diabetes, 27, 2806–2812. Haris, MI (1993).
NIDDM yang tidak terdiagnosis: Masalah klinis dan kesehatan masyarakat.Diabetes
Peduli, 16, 642–652.
Proyek Biaya dan Pemanfaatan Kesehatan (HCUP). (2017). komorbiditas HCUP elixhauser
perangkat lunak ity.Badan penelitian dan kualitas kesehatan. MD: Rockville. Ideker,
T., & Sharan, R. (2008). Jaringan protein pada penyakit.Penelitian Genom, 18,
644–652.
Joynt, KE, Orav, EJ, & Jha, AK (2011). Tingkat penerimaan kembali tiga puluh hari untuk Medicare
penerima manfaat berdasarkan ras dan tempat perawatan.JAMA, 305, 675–681.
241
Kailath, T., Sayed, AH, & Hassibi, B. (2000).Estimasi linier. Sungai Pelana Atas:
Balai Prentice.
Kapur, V., Sandblom, RE, Hert, R., James, B., & Sean, D. (1999). Biaya medis dari
apnea tidur yang tidak terdiagnosis.Tidur, 22, 749.
Khan, A., Srinivasan, U., & Uddin, S. (2019). Pengembangan dan eksplorasi poli-
jaringan pengobatan dari data Skema Manfaat Farmasi dan Medicare. Di dalam
Prosiding multikonferensi minggu ilmu komputer Australasia(P. 34). ACM.
Khan, A., Uddin, S., & Srinivasan, U. (2016). Mengadaptasi teori graf dan jejaring sosial
langkah-langkah kerja pada data perawatan kesehatan: Kerangka kerja baru untuk
memahami perkembangan penyakit kronis. Di dalamProsiding multikonferensi minggu ilmu
komputer Australasia(P. 66). ACM.
Khan, A., Uddin, S., & Srinivasan, U. (2018). Jaringan komorbiditas untuk penyakit kronis
kemudahan: Pendekatan baru untuk memahami perkembangan diabetes tipe 2.Jurnal
Internasional Informatika Medis, 115, 1–9.
Kohavi, R. (1995). Studi tentang validasi silang dan bootstrap untuk estimasi akurasi
dan pemilihan model. Di dalamIjcai: 14(hlm. 1137–1145).
Landon, BE, Keating, NL, Barnett, ML, Onnela, J.-P., Paul, S., O'Malley, AJ,
et al. (2012). Variasi dalam jaringan berbagi pasien dokter di seluruh Amerika Serikat.
JAMA, 308, 265–273.
Lauruschkat, AH, Arnrich, B., Albert, AA, Walter, JA, Amann, B., Rosendahl, UP,
et al. (2005). Prevalensi dan risiko diabetes melitus yang tidak terdiagnosis pada
pasien yang menjalani pencangkokan bypass arteri koroner.Sirkulasi, 112, 2397–
2402. Levenshtein, VI (1966). Kode biner mampu mengoreksi penghapusan, penyisipan
dan pembalikan. Di dalamdoklady fisika Soviet: 10(P. 707).
Loh, WY (2011). Pohon klasifikasi dan regresi.Ulasan Wiley Interdisipliner:
Penambangan Data dan Penemuan Pengetahuan, 1, 14–23.
Loscalzo, J., Kohane, I., & Barabasi, AL (2007). Klasifikasi penyakit manusia di
era postgenomik: Pendekatan sistem kompleks untuk patobiologi manusia.Biologi
Sistem Molekuler, 3, 124.
Luijks, H., Schermer, T., Bor, H., van Weel, C., Lagro-Janssen, T., Biermans, M.,
et al. (2012). Prevalensi dan tingkat kepadatan kejadian komorbiditas kronis pada pasien
diabetes tipe 2: Sebuah studi kohort eksplorasi.Kedokteran BMC, 10, 128. MacKenzie, EJ,
Morris, JA, Jr, & Edelstein, SL (1989). Efek dari kondisi yang sudah ada sebelumnya
mengurangi lama tinggal di rumah sakit pada pasien trauma.Jurnal Bedah Trauma dan
Perawatan Akut, 29, 757–765.
Palaniappan, S., & Awang, R. (2008). Penggunaan sistem prediksi penyakit jantung cerdas
menggunakan teknik penambangan data. Di dalamSistem dan aplikasi komputer, 2008. AICCSA 2008.
Konferensi internasional IEEE/ACS tentang(hlm. 108–115). IEEE.
Piri, S., Delen, D., Liu, T., & Paiva, W. (2018). Pengembangan metrik baru untuk mengidentifikasi
pola langka dalam analisis asosiasi: Kasus menganalisis komplikasi diabetes.Sistem
Pakar dengan Aplikasi, 94, 112–125.
Quan, H., Sundararajan, V., Halfon, P., Fong, A., Burnand, B., Luthi, J.-C., dkk. (2005).
Algoritma pengkodean untuk menentukan komorbiditas dalam data administrasi ICD-9-CM
dan ICD-10.Perawatan medis, 1130–1139.
Rathmann, W., Haastert, B., Icks, A. a., Löwel, H., Meisinger, C., Holle, R., dkk. (2003).
Prevalensi tinggi diabetes melitus yang tidak terdiagnosis di Jerman Selatan: Target
populasi untuk skrining yang efisien. Survei KORA 2000.Diabetes, 46, 182–189.
Sharabiani, MT, Aylin, P., & Bottle, A. (2012). Tinjauan sistematis komorbiditas
indeks untuk data administrasi.Perawatan Medis, 50, 1109–1118.
Taubert, G., Winkelmann, BR, Schleiffer, T., März, W., Winkler, R., Gök, R.,
et al. (2003). Prevalensi, prediktor, dan konsekuensi diabetes melitus yang tidak
diketahui pada 3266 pasien yang dijadwalkan untuk angiografi koroner.Jurnal
Jantung Amerika, 145, 285–291.
Tenenbaum, A., Motro, M., Fisman, EZ, Boyko, V., Mandelzweig, L., Re-
icher-Reiss, H., dkk. (2000). Dampak klinis diabetes melitus borderline dan tidak
terdiagnosis pada pasien dengan penyakit arteri koroner. Jurnal Kardiologi Amerika,
86, 1363–1366.
Umpierrez, GE, Isaacs, SD, Bazargan, N., You, X., Thaler, LM, &
Kitabchi, AE (2002). Hiperglikemia: Penanda independen mortalitas di rumah sakit
pada pasien dengan diabetes yang tidak terdiagnosis.Jurnal Endokrinologi &
Metabolisme Klinis, 87, 978–982.
Departemen Kesehatan dan Layanan Kemanusiaan Amerika Serikat. (2014).Kon-
urutan merokok—50 tahun kemajuan: Sebuah laporan dari Surgeon General: 17
Atlanta, GA: US Department of Health and Human Services, Centers for Disease
Control and Prevention, National Center for Chronic Disease Prevention and Health
Promotion, Office on Smoking and Health,https://www.ncbi.nlm.nih.gov/pubmed/
24455788.
Wong, DT, & Knaus, WA (1991). Memprediksi hasil dalam perawatan kritis: Arus
status sistem penilaian prognostik APACHE.Jurnal Anestesi Kanada, 38, 374–383.
Organisasi Kesehatan Dunia (2014). SIAPA | Klasifikasi Penyakit Internasional
(ICD). Di dalam.
Yach, D., Hawkes, C., Gould, CL, & Hofman, KJ (2004). Beban global dari
penyakit kronis: Mengatasi hambatan untuk pencegahan dan pengendalian.JAMA,
291, 2616–2622.
Zoungas, S., Woodward, M., Li, Q., Cooper, ME, Hamet, P., Harrap, S., dkk. (2014).
Dampak usia, usia saat diagnosis dan durasi diabetes terhadap risiko komplikasi
makrovaskular dan mikrovaskular serta kematian pada diabetes tipe 2. Diabetes, 57,
2465–2474.