Nama : Yofintya Rizqy Satya Pratama

NIM : P17430211001
Prodi : D-3 Asuransi Kesehatan

Sesi 1
Pemateri : dr. Guardian Yoki Sanjaya, MHIthInfo
Materi :
Solusi Integrasi dan Interoperabilitas
Sistem Informasi Kesehatan di Indonesia
 Inovasi digital kesehatan
 Transformasi digital
Transformasi digital mendukung transformasi kesehatan. Transformasi kesehatan
memiliki prioritas, yaitu ada pelayanan primer, pelayanan sekunder, ketahanan
kesehatan, tenaga kesehatan, daya teknologi. Salah satu teknologi digital yang perlu
didukung adalah penggunaan rekam medis terutama rekam medis elektronik.
 Maturitas digital di rumah sakit
Tujuannya untuk mengakselerasi implementasi teknologi digital langsung dari
fasilitas kesehatan. Tujuan lainnya bisa memperbaiki survei tanpa harus
mengumpulkan data agregat dan bisa memantau performa dari peayanan kesehatan
tertentu.
 Interoperabilitas sistem informasi kesehatan
 Dilihat dari konsep WHO, integrasi data menggabungkan data dari berbagai sumber
data, baik data yang rutin maupun data yang tidak rutin.
 Klasifikasi Intervensi Kesehatan Digital WHO 2018
Terdapat empat hal yang direkomendasikan oleh WHO
1. Aplikasi yang berdampak langsung ke pasien / Client
Contoh : citizen app, appoinment system, telemedicine, promosi kesehatan, dll.
2. Healthcare prividers
Seperti rumah sakit, puskesmas, klinik, unit transfusi darah, labolatorium
klinik, bidan praktek mandiri, apotik, instalasi kefarmasian, dan optometris.
Di fasilitas kesehatan sudah banyak yang menggunakan aplikasi.
 3. Health System Management
Terdapat output analisis data yang dilakukan, baik dari pasien maupun
providers dengan harapan dapat divisulisasikan atau diolah antara satu
indikator dengan indikator yang lain, sehingga manager kesehatan dapat
memantau.
4. Data Services
Data dapat diolah untuk menghasilkan pola-pola atau informasi yang penting
untuk pengambilan keputusan strategis. Bahkan bisa untuk mengembangkan
clinical diseases support system sebagai pendukung dalam pelayanan pasien.
 Pada tahun 2019, rekomendasi WHO mengerucut menjadi beberapa poin penting,
yaitu :
1. Health insurance coverage
2. Personal health record, patient satisfactions
3. Targeted client communications, Decision support systems
4. Tracking of client’s health status and services (interoperable EHR)
5. Stock notification, management and product catalogues
6. Health workforce redistry, continous professional education
7. Seamless referral services, Telehealth and Telemedicine
8. Birth and Death registration, personal unique ID
 Digital maturity di fasilitas kesehatan definisi operasionalnya menggunakan rekam
medis elektronik.
 Interoperabilitas tidak bisa dilakukan jika sebelumnya tidak mendorong penggunaan
rekam medis elektronik.
 Pengertian interoperabilitas adalah kemampuan antar sistem yang berbeda untuk
komunikasi dan pertukaran informasi secara akurat, efektif, dan konsisten serta
menggunakan informasi tersebut.
o Antar sistem di dalam organisasi kesehatan (EMR)
o Antar sistem lintas organisasi kesehatan (EHR)
 Kebutuhan interoperabilitas digunakan untuk :
o Arsitektur interoperabilitas (OpenHIE)
o Penggunaan standar data kesehatan (terminologi dan klasifikasi)
 o Protokol komunikasi/standar message (FHIR)
 Contoh penggunaan Interoperabilitas
a. Permintaan untuk pemeriksaan penunjang
b. Resep obat-obatan dan pengobatan
c. Permintaan untuk asuhan keperawatan, alat medis, diet, transfuse darah, dan
lainnya
d. Pengiriman hasil pemeriksaan penunjang
e. Update data administrasi untuk perubahan rincian pasien
f. Konsultasi medis dari satu dokter ke dokter lain, seperti surat rujukan, klinik
dan resume medis
g. Informasi agregat untuk manajemen, audit dan pemantauan performa
pelayanan kesehatan
h. Klaim asuransi

Sesi 2
Pemateri : Sigit Wibowo, S.Komp.,M.K.M
Materi :
Machine Learning Everywhere
 Pemanfaatan machine learning ada dimana-mana. Saat ini semua interaksi sudah
dicatat datanya, contohnya ketika membuka media sosial otomatis data akan tercatat
oleh sistem.
 Machine learning adalah mesin pembelajar artinya mesin yang tugasnya untuk belajar.
Jadi, mechine learning adalah ilmu yang berfokus untuk membuat sistem atau
algoritma yang terus belajar dari data dan meningkatkan akurasinya dari waktu ke
waktu. Dengan demikian, semua yang kita lakukan di dalam teknologi sekarang sudah
dicatat aksinya maupun interaksinya.
 Algoritma atau urutan proses statistik dilatik untuk menentukan pola dan fitur tertentu
dalam jumlah data yang besar. Tujuannya untuk membuat suatu keputusan maupun
prediksi berdasarkan data-data tersebut. Semakin bagus algoritmanya, maka akurasi
keputusan dan prediksi sistem akan semakin baik. Dan ketika machine learning
menerima masukan data yang semakin banyak, maka hasil atau output dari machine
learning itu akan semakin akurat.
 Paradigma machine learning
o Pada zaman dulu menggunakan pemrograman tradisional, yaitu dengan
mengumpulkan rules dan data untuk menghasilkan solusi.
o Setelah perkembangan zaman muncul Machine Learning dengan paradigma
yang terbalik, yaitu dari data-data dan solusi akan dikumpulkan kemudian
dianalisis oleh machine learning sehingga menghasilkan suatu rules.

 Teknik belajar machine learning :

1. Supervised Learning - memprediksi kejadian di masa mendatang berdasarkan
data bistoris.
2. Semi-Supervised Learning - metode identifikasi, klasifikasi, dan prediksi.
3. Unsupervised Learning - menemukan atribut utama yang membedakan antar
segmen kategori.
4. Reinforcement Learning - perlakuan yang menghasilkan output terbaik dari
hasil uji coba berulang kali (trial and error)
 Tahapan setelah memilih teknik belajar machine learning
1. Harus memahami paradigma machine learning terlebih dahulu dengan belajar
cara mengolah dan memanfaatkan data.
2. Mengumpulkan data. Bisa melakukan ekstrasi data artinya berdasarkan data-
data yang ada diekstrasi, misalnya email. Selain itu, juga bisa memanfaatkan
dateset.
3. Data cleaning. Supaya data yang sudah berhasil dikumpulkan itu akan menjadi
data yang valid dan berkualitas.
4. Data processing. Dari data-data yang telah dicleaning tadi akan dimasukkan ke
dalam pattern atau environment yang kita bangun.
5. Data science. Dari data yang ada dan masuk, akan dilakukan pemodelan
analisis yang nantinya menghasilkan sebuah informasi.
6. ML tools. Mengenali dan memahami tools untuk mengimplementasikan
machine learning.