Subscribe to DeepL Pro to translate larger documents.

Visit www.DeepL.com/pro for more information.

Penelitian Eksplorasi dalam Farmasi Klinis dan Sosial 11 (2023) 100317

Daftar isi tersedia di ScienceDirect

Penelitian Eksplorasi di bidang Farmasi Klinis dan Sosial

beranda jurnal: www.elsevier.com/locate/rcsop

Kinerja algoritma pembelajaran mesin canggih regresi overlogistic dalam

memprediksi penerimaan kembali rumah sakit: Sebuah meta-analisis
Ashna Talwar , aMaria A. Lopez-Olivob , Yinan Huangc , Lin Yingd , Rajender R. Aparasu a,*
a Sekolah Tinggi Farmasi, Universitas Houston, Houston, TX, AS
b Departemen Penelitian Pelayanan Kesehatan, Pusat Kanker Universitas Texas MD Anderson, Houston, TX, AS
c Departemen Administrasi Farmasi, The University of Mississippi, Oxford, MS, AS
d Departemen Teknik Industri, Universitas Houston, Houston, TX, AS

A R T I K L EI N F A B S T R A C T
O
Tujuan: Algoritma pembelajaran mesin semakin banyak digunakan untuk memprediksi penerimaan kembali pasien
Kata kunci di rumah sakit. Meta-analisis ini mengevaluasi kinerja model regresi logistik (LR) dan pembelajaran mesin (ML)
Penerimaan kembali
untuk prediksi penerimaan kembali pasien rawat inap selama 30 hari di Amerika Serikat.
Pembelajaran mesin
Metode: Database elektronik (yaitu, Medline, PubMed, dan Embase) ditelusuri dari Januari 2015 hingga
Regresi logistik
Regresi logistik Desember 2019. Hanya penelitian dalam bahasa Inggris yang disertakan. Dua pengulas melakukan penyaringan
Pembelajaran studi, penilaian kualitas, dan pengumpulan data. Kualitas penelitian dinilai menggunakan alat Quality in
mendalam Prediksi Prognosis Studies (QUIPS). Kinerja model dievaluasi dengan menggunakan Area Under the Curve (AUC). Meta-
Jaringan neuron analisis efek acak dilakukan dengan menggunakan STATA 16.
Hasil: Sembilan penelitian dimasukkan berdasarkan kriteria seleksi. Teknik ML yang paling umum
digunakan adalah metode berbasis pohon seperti boosting dan random forest. Sebagian besar penelitian memiliki
risiko bias yang rendah (8/9). AUC lebih besar dengan ML untuk memprediksi 30 hari rawat inap di rumah
sakit untuk semua penyebab dibandingkan dengan LR [Mean Difference (MD): 0,03; 95% Confidence
Interval (CI) 0,01-0,05]. Analisis subkelompok menemukan bahwa metode deep-learning memiliki kinerja
yang lebih baik dibandingkan dengan LR (MD 0,06; 95% CI, 0,04-0,09), diikuti oleh jaringan saraf (MD:
0,03; 95% CI, 0,03-0,03), sedangkan AUC dari metode berbasis pohon (MD: 0,02; 95% CI -0,00-0,04) dan
berbasis kernel (MD: 0,02; 95% CI 0,02 (-0,13-0,16) tidak berbeda dengan LR. Lebih dari separuh penelitian
mengevaluasi rawat inap ulang terkait gagal jantung (N = 5). Untuk prediksi rawat inap ulang di antara pasien
gagal jantung, ML berkinerja lebih baik dibandingkan dengan LR, dengan perbedaan rata-rata AUC sebesar 0,04
(95% CI, 0,01-0,07). Analisis sensitivitas leave-one-out mengkonfirmasi kekokohan temuan ini.
Kesimpulan: Beberapa metode ML digunakan untuk memprediksi 30 hari rawat inap di rumah sakit dengan semua
penyebab. Performa bervariasi di seluruh metode ML, dengan metode deep-learning menunjukkan performa
terbaik dibandingkan LR.

1. Pendahuluan
Rawat inap di rumah sakit tidak hanya bernilai tinggi bagi rumah
sakit, tetapi juga berkontribusi pada pengeluaran perawatan kesehatan
secara keseluruhan dan berdampak pada kualitas perawatan pasien.
Karena meningkatnya kekhawatiran tentang biaya perawatan
kesehatan dan perawatan rumah sakit yang tidak perlu, pada tahun 2012,
Centers for Medicare and Medicaid Services (CMS) 1mulai
melaporkan tingkat rawat inap selama 30 hari untuk infark miokard
akut (AMI), pneumonia (PN), gagal jantung (HF), dan lain-lain
sebagai bagian dari Undang-Undang Perlindungan Pasien dan
Perawatan Terjangkau (Patient Protection and Affordable Care Act)
untuk mengurangi pembayaran kepada rumah sakit atas rawat inap
yang berlebihan.2 Program Pengurangan Rawat Inap Rumah Sakit
(Hospital Readmission Reduction Program - HRRP) menghukum
rumah sakit
dengan tingkat rawat inap yang lebih tinggi dari rata-rata dan
merupakan salah satu inisiatif yang paling menonjol dari CMS.
Sebagaimana dicatat dalam sebuah studi oleh Byrnes dkk., denda rawat
inap pada tahun 2017 melebihi setengah miliar dolar AS.3
Model prediksi risiko dapat membantu dalam mengidentifikasi
pasien dengan kondisi tertentu yang dapat memperoleh manfaat paling
besar dari program manajemen penyakit untuk mengurangi rawat inap
ulang dan biaya berlebih. Mengidentifikasi pasien berisiko tinggi
melalui model prediksi risiko memungkinkan strategi intervensi dini.
Program manajemen penyakit dapat diimplementasikan secara
proaktif, bahkan sebelum pasien keluar dari rumah sakit. Oleh karena
itu, model untuk memprediksi risiko rawat inap ulang menjadi sangat
penting. Memanfaatkan teknik statistik yang canggih dapat membantu
mengidentifikasi
 * Penulis korespondensi di: Departemen Hasil dan Kebijakan Kesehatan Farmasi, Geriatri, Sekolah Kedokteran UTHealth McGovern, Gedung Kesehatan dan Ilmu
Biomedis 2 - Kantor 4052, Sekolah Farmasi, Universitas Houston, 4349 Martin Luther King Boulevard, Houston, TX 77204-5047, AS.
Alamat email: rraparasu@uh.edu (R.R. Aparasu).

https://doi.org/10.1016/j.rcsop.2023.100317
Diterima 16 Juni 2023; Diterima dalam bentuk revisi 8 Agustus 2023; Diterima 9 Agustus 2023
Tersedia secara online 10 Agustus 2023
2667-2766/© 2023 Para Penulis. Diterbitkan oleh Elsevier Inc. Ini adalah artikel akses terbuka di bawah lisensi CC BY-NC-ND
(http://creativecommons.org/licenses/by- nc-nd/4.0/).
A. Talwar et al. Penelitian Eksplorasi dalam Farmasi Klinis dan Sosial 11 (2023) 100317

populasi sasaran untuk alokasi sumber daya awal dan pada akhirnya
2.1. Kriteria kelayakan
mengurangi rawat inap untuk meningkatkan perawatan pasien dan
mengurangi biaya perawatan kesehatan. Regresi logistik (LR) adalah
Kami menyertakan penelitian jika mereka menggunakan setidaknya satu
teknik yang umum digunakan untuk masalah klasifikasi karena
teknik ML dan LR untuk prediksi rawat inap ulang di rumah sakit dan
kesederhanaan dan kemampuan interpretasi modelnya. 4CMS menggunakan
melaporkan kinerja model prediktif dalam hal luas area di bawah kurva
model rawat inap terstandardisasi risiko berdasarkan regresi logistik
(AUC). Hanya penelitian yang melaporkan data dari basis data berbasis
hirarkis untuk memprediksi rawat inap. 5Pendekatan statistik ini
populasi di AS yang mengevaluasi hasil penerimaan kembali, yang
memperhitungkan struktur hirarkis data, dengan mempertimbangkan
didefinisikan sebagai rawat inap ulang atau rawat inap ulang dalam
bahwa pasien bersarang di rumah sakit. Dengan menyesuaikan
waktu 30 hari, yang dipertimbangkan. Studi yang tidak menggunakan
campuran kasus pasien dan karakteristik rumah sakit, model-model ini
memungkinkan perbandingan yang adil terhadap tingkat rawat inap di
rumah sakit, sehingga memungkinkan identifikasi institusi dengan
tingkat rawat inap yang lebih tinggi dari yang diharapkan dan
mendorong peningkatan transisi perawatan untuk mengurangi tingkat
rawat inap dan meningkatkan luaran pasien. Dengan kemajuan dalam
solusi data besar, pendekatan berbasis data yang muncul telah
memudahkan pemodelan prediksi dalam perawatan kesehatan. Dengan
demikian, metode machine learning (ML), suatu bentuk kecerdasan
buatan yang menggunakan algoritme komputasi untuk
mengidentifikasi pola data non-linear dalam kumpulan data besar
untuk merumuskan prediksi hasil, semakin populer di bidang
kedokteran klinis di tengah meningkatnya aksesibilitas data perawatan
kesehatan. Algoritma ini 6dapat menyaring banyak variabel untuk
mengidentifikasi variabel dan kombinasi yang dapat memprediksi hasil
secara andal. Hal ini 6didasarkan pada konsep pembelajaran dari
pelatihan dan pengujian menggunakan algoritme; dengan demikian,
mereka mampu menganalisis
tipe data yang beragam dan besar dengan fleksibilitas tinggi.
Algoritma pembelajaran mesin yang sering digunakan termasuk
pemodelan berbasis pohon (boosting, pohon keputusan, hutan acak),
metode berbasis kernel (mesin vektor pendukung), jaringan saraf
tiruan [Multilayer Perceptron (MLP)], dan metode pembelajaran
mendalam. Meskipun model regresi logistik didasarkan pada teori dan
asumsi untuk mengembangkan spesifikasi model,7 ML memiliki
keunggulan dalam mengatasi banyak tantangan yang dihadapi dengan
metode tradisional, seperti asumsi statistik, hubungan yang kompleks
dan tidak linier, variabel independen berdimensi tinggi, dan
multikolinearitas.8,9 Faktor-faktor ini bersama dengan ketersediaan
data perawatan kesehatan yang besar telah membuat algoritma ML
menjadi pilihan yang menarik di bidang perawatan kesehatan,
termasuk memprediksi aktivitas penyakit, 10risiko efek samping,11 dan
respons pengobatan. 12Namun, ada kebutuhan untuk memahami
keunggulan algoritma ML dibandingkan metode statistik tradisional
dalam bidang kesehatan.
Beberapa penelitian dalam beberapa tahun terakhir telah
membandingkan metode ML dan LR untuk berbagai hasil rumah sakit.
Namun, hasilnya tidak meyakinkan untuk prediksi rawat inap di rumah
sakit. Beberapa meta-analisis telah dilakukan untuk mengevaluasi
berbagai metode prediksi ML.7,8,13,14 Sebuah studi oleh Christodoulou
et al. membandingkan LR vs metode ML yang berbeda untuk prediksi
klinis secara keseluruhan dan mendukung bahwa tidak ada bukti
kinerja ML yang lebih unggul dibandingkan LR.7 Meta-analisis lainnya
membandingkan metode ML dan LR dalam memprediksi hasil untuk pasien
trauma, sepsis, dan cedera ginjal akut meskipun tidak ada konsensus
yang jelas tentang kinerja model.8,13,15 Namun, belum ada penelitian
yang melakukan analisis komparatif model ML dan LR untuk prediksi
rawat inap di rumah sakit. Oleh karena itu, tujuan dari penelitian ini
adalah untuk mensintesis literatur secara sistematis dan membandingkan
kinerja LR dengan ML untuk pemodelan prediksi risiko rawat inap di rumah
sakit dalam waktu 30 hari pada orang dewasa di Amerika Serikat.

2. Bahan dan metode

Pencarian sistematis terhadap literatur terkini dan meta-analisis

dilakukan dan dilaporkan sesuai dengan pernyataan Preferred
Reporting Items for Sys- tematic Review and Meta-Analysis
(PRISMA).16
2
A. Talwar et al. meninggal?"; (3) Pengukuran
Penelitian faktor
Eksplorasi prognostik:
dalam Farmasi 'Apakah
Klinis dan Sosial 11penelitian ini
(2023) 100317
keduanya; teknik ML dan regresi logistik untuk prediksi risiko tidak
memberikan deskripsi yang sesuai untuk mengukur faktor prognostik,
disertakan. Studi yang tidak menyediakan ukuran penyebaran juga
misalnya, menggambarkan metode imputasi apa pun untuk menangani
tidak disertakan. Kami juga mengecualikan abstrak, publikasi teks
data yang hilang?"; (4) Pengukuran hasil: 'Apakah ada definisi yang
lengkap yang tidak melaporkan data penelitian asli, uji coba
jelas tentang hasil penerimaan kembali?"; (5) Perancu penelitian:
terkontrol secara acak, atau ulasan.
'Apakah ada definisi yang jelas tentang hasil penerimaan kembali?
2.2. Sumber informasi dan strategi pencarian

Kami mencari di dua pangkalan data elektronik: Medline (melalui

EBSCO dan PubMed) dan Embase (melalui Ovid). Literatur abu-abu
dicari melalui buku-buku ilmiah lain dan literatur yang telah
diterbitkan sebelumnya. Daftar referensi dari semua artikel yang
teridentifikasi dicari secara manual untuk menemukan studi yang
relevan oleh dua penulis (AT dan YH). Strategi pencarian
dikembangkan dengan konsensus para penulis dan bantuan
pustakawan akademis. Pencarian dibatasi pada publikasi terbaru
dalam bahasa Inggris dari Januari 2015 hingga Desember 2019.
Sintaks pencarian termasuk "penerimaan kembali di rumah sakit",
"pembelajaran mesin", dan "regresi logistik" sebagai kata kunci
(Tabel Tambahan 1).

2.3. Pemilihan studi

Dua penulis (AT, YH) secara independen menilai apakah sebuah

penelitian memenuhi kriteria inklusi menggunakan Covidence.
Pertama, semua judul dan abstrak kutipan yang teridentifikasi
disaring, dan kemudian teks lengkap dari semua artikel yang relevan
disaring lebih lanjut. Peninjau ketiga (RA) dikonsultasikan jika terjadi
ketidaksepakatan antara kedua penulis dan diselesaikan setelah
mengeksplorasi artikel secara rinci.

2.4. Proses dan item pengumpulan data

Kedua penulis yang sama secara independen mengumpulkan data

menggunakan formulir ekstraksi data standar yang dibuat
menggunakan literatur sebelumnya. Perbedaan pendapat diselesaikan
oleh peninjau ketiga (RA). Elemen ekstraksi data termasuk
karakteristik studi (sumber data, populasi, pengaturan, ukuran sampel,
dan jenis ukuran penerimaan kembali), karakteristik model (deskripsi
model seperti jumlah model, variabel kandidat dan waktu, validasi
model, dan diskriminasi model), dan variabel yang digunakan sebagai
prediktor. Kinerja model diekstraksi dalam bentuk AUC untuk
algoritma ML yang berbeda dan c-statistik untuk model regresi
logistik. Kami menganggap regresi logistik berpenalti (misalnya,
regresi laso, jaring elastis, regularisasi ridge /L2) sebagai LR daripada
ML. Metode statistik tradisional mencakup teknik-teknik seperti
analisis diskriminan, regresi poisson, persamaan estimasi umum, dan
Generalized Additive Models (GAM), yang berbeda dengan ML dan
karenanya, dimasukkan ke dalam kelompok LR, berdasarkan literatur
sebelumnya.7

2.5. Risiko Penilaian Bias

Risiko bias dalam artikel yang disertakan dinilai oleh dua penulis
(AT dan YH), dan jika terjadi ketidaksepakatan, penulis ketiga
dikonsultasikan (RA). Kami menggunakan Quality in Prognosis
Studies (QUIPS). 17Ini terdiri dari enam domain berikut: Populasi
Studi, Attrisi Studi, Pengukuran Faktor Prognostik, Pengukuran Hasil,
Perancu Studi, dan Analisis/Pelaporan Statistik. Alat QUIPS telah
digunakan secara luas untuk menilai kualitas studi yang melibatkan
prediksi penerimaan kembali.18–20 Alat ini dirancang untuk tinjauan
kami berdasarkan literatur sebelumnya yang terkait dengan
pemodelan untuk penerimaan kembali7,21 dan pekerjaan kami
sebelumnya.19 Di antara setiap studi yang disertakan, hal-hal berikut
ini di setiap domain diuraikan untuk studi kami: (1) Populasi studi:
'Apakah ada deskripsi yang memadai tentang populasi studi?'; (2)
Atrisi studi: 'Apakah studi memberikan deskripsi yang memadai
tentang informasi tindak lanjut, mis, menggambarkan metode apa pun
untuk menangani pasien yang tidak dapat ditindaklanjuti atau
3
A. Talwar et al. Penelitian Eksplorasi dalam Farmasi Klinis dan Sosial 11 (2023) 100317

pengukuran dan penghitungan: 'Apakah penelitian tersebut
memperhitungkan faktor perancu potensial dari lebih dari tiga domain
berikut ini, seperti faktor demografi, faktor penentu sosial kesehatan,
diagnosis utama/komorbiditas, tingkat keparahan penyakit, kondisi
kesehatan mental, status kesehatan dan fungsional, penggunaan
layanan medis di masa lalu seperti rawat inap?"; dan (6) Analisis dan
pelaporan statistik: 'apakah penelitian tersebut melakukan prosedur
untuk prosedur validasi model?".19 Penilaian 'ya' , ' tidak', atau ' tidak jelas'
diberikan pada masing-masing domain untuk menilai studi. Kualitas setiap
penelitian didefinisikan sebagai 'rendah', 'sedang', atau 'tinggi'
berdasarkan hasil gabungan dari masing-masing penelitian.22,23 Jika
>80% (Lima) domain dijawab "ya", maka penelitian tersebut dianggap
berkualitas 'tinggi'. Penelitian ini dianggap berkualitas 'sedang' jika
empat domain dijawab 'ya'. Terakhir, keseluruhan studi didefinisikan
sebagai kualitas 'rendah' jika hanya tiga domain yang dijawab 'ya'.
2.6. Tindakan dan sintesis efek
AUC dari model LR dan ML dibandingkan dalam meta-analisis. Nilai
AUC digunakan dalam urutan prioritas berikut: validasi eksternal,
validasi internal, dan data pelatihan (jika tidak ada hasil validasi yang
disajikan). Kami melakukan meta-analisis model efek acak untuk data
berpasangan. Sebuah studi oleh Hanley dan McNeil menunjukkan
bahwa perbandingan statis dari area di bawah dua kurva ROC yang
berasal dari kumpulan pasien yang sama dapat dilakukan dengan
memperhitungkan korelasi
(r) antara kawasan yang disebabkan oleh sifat data yang berpasangan.24
Heterogenitas dikuantifikasi dengan menghitung I-kuadrat (I2 ) dan
dengan meninjau plot hutan untuk melihat tumpang tindih CI. Jika CI tidak
tumpang tindih, maka uji coba tersebut cenderung heterogen. Kami
mengeksplorasi heterogenitas lebih lanjut dengan analisis
subkelompok jika heterogenitas terdeteksi (I2 > 40%). Karena
variabilitas dalam prediksi ML untuk penerimaan kembali dapat
dikaitkan dengan teknik ML tertentu, kami melakukan analisis sub-
kelompok sesuai dengan teknik tersebut. Empat jenis sub-kelompok
berikut ini
N = 921 Studi
Pubmed: n =
225 Medline: n
Identifikasi
analisis yang dilakukan: Algoritma berbasis pohon, berbasis kernel,
deep learning, dan Neural network (NN) dengan mengelompokkan
teknik ML sesuai dengan klasifikasi algoritma. Jika sebuah penelitian
menyebutkan lebih dari satu jenis teknik ML dalam kelompok
klasifikasi, kami memilih metode dengan kinerja terbaik berdasarkan
berbagai kriteria dan tidak perlu menjadi model dengan AUC tertinggi.
Untuk menginformasikan temuan spesifik penyakit, kami
melakukan analisis sub-kelompok sesuai dengan area penyakit-pasien
jantung. Karena kami menggunakan estimasi sin- gle untuk r (0,50)
untuk semua perhitungan kesalahan standar perbedaan antara dua
AUC, analisis sensitivitas dilakukan dengan memvariasikan koefisien
korelasi menjadi 0,1 dan 0,8. Selain itu, untuk mengevaluasi pengaruh
setiap studi terhadap ukuran efek keseluruhan, analisis sensitivitas lain
dilakukan dengan menggunakan metode leave-one-out (dengan
menghapus satu studi pada satu waktu dan kemudian melakukan
analisis). 25Pendekatan ini membantu dalam mengeksplorasi sumber
heterogenitas yang disebabkan oleh sebuah penelitian dan menguji
stabilitas hasil. Semua analisis dilakukan dalam STATA versi 16
(StataCorp LP, Texas, AS).26
2.7. Pelaporan Penilaian bias dan penilaian kepastian
Plot corong dan uji asimetri regresi Egger digunakan untuk
menganalisis bias publikasi dalam hasil penelitian kami. 27Kekuatan
bukti dinilai dengan menggunakan pendekatan GRADE (Grading of
Recommendations, Assessment, Development, and Evaluation).28
3. Hasil
3.1. Pemilihan studi
Kami mengidentifikasi 921 penelitian; dari 129 artikel teks lengkap
yang ditinjau kelayakannya, sembilan penelitian memenuhi kriteria
inklusi. Diagram alir PRISMA meringkas proses seleksi studi (Gbr. 1).

= 211 Embase:
n = 485
399 Duplikat
Dihapus
Penyaring

N=522
Studi untuk skrining
an

393
Studi yang dikeluarkan setelah penyaringan
judul dan abstrak
Kelayaka

N=129
Artikel teks lengkap
n

dinilai kelayakannya

4
 dalam penelitian
kualitatif dan Tidak ada teknik pembelajaran mesin
untuk pengembangan model (9)
sintesis kuantitatif
Tidak ada penerimaan
kembali di rumah sakit
A. Talwar et al. Penelitian Eksplorasi dalam Farmasi Klinis dan Sosial 11 (2023) 100317
Gbr. 1. Diagram PRISMA untuk Pemilihan Studi.
(4) Artikel duplikat (4)
Jenis RCT atau tinjauan
(1)

5
A. Talwar et al.
3.2. Karakteristik studi
Teknik berbasis pohon ML yang paling umum digunakan adalah
boosting (4, 44,44% penelitian) dan random forest (4, 44,44%).
Karakteristik terperinci dirangkum dalam Tabel Tambahan 2. Sebagian
besar (8 penelitian, 89%) dari penelitian-penelitian ini menggunakan
beberapa bentuk validasi (seperti validasi silang n-lipatan) dengan
mempartisi data secara acak ke dalam bagian pelatihan/pengujian
untuk validasi di dalam set pelatihan untuk konstruksi model.29–36
Basis data yang paling sering digunakan untuk pemodelan prediksi
adalah Electronic Health Record (EHR) (4 penelitian, 44,44%). Untuk
lima penelitian, alasan untuk melakukan pembacaan adalah kondisi
jantung seperti gagal jantung.29,32–35 Pada saat yang sama, penelitian
lain melihat rawat inap ulang setelah masuk ICU, 31inpa- tient
rehospitalization,30,36 dan rawat inap kembali setelah operasi kanker
kolorektal.37 Sebagian besar penelitian melatih LR dengan pemilihan
variabel bertahap menggunakan set pelatihan. Selain AUC, penelitian
melaporkan ukuran kinerja dalam hal akurasi33,36 (2, 22%), sementara
ukuran kinerja lain yang umum digunakan dalam studi terpilih ini,
termasuk sensitivitas29,30,35,37 (4, 44%) dan spesifisitas29,30,35,37 (4, 44%)
( Tabel Tambahan 3).
Hanya satu penelitian yang melaporkan presisi 33(1, 11%) dan recall33
(1, 11%), sementara hanya tiga penelitian yang melaporkan skor F1
(33%).31,33,35 Hanya tiga penelitian (33%) yang melaporkan metode
untuk mengatasi data yang tidak seimbang.30,32,34
3.3. Validasi model
Delapan penelitian (89%) menerapkan beberapa metode validasi,
dan satu penelitian tidak menggunakan metode validasi apa pun (11%).
Satu penelitian (11%) secara acak mempartisi data ke dalam bagian
pelatihan/pengujian atau pelatihan/validasi/pengujian, 36dan sebagian
besar penelitian ini menggunakan beberapa bentuk validasi silang
dalam set pelatihan untuk konstruksi model. Rincian jenis validasi
model yang digunakan dalam setiap penelitian dapat ditemukan di
Tabel Tambahan 4.
Tujuh penelitian (78%) divalidasi menggunakan berbagai jenis
prosedur resampling, seperti validasi silang k-lipatan,29,30,32,33 validasi
silang k-lipatan bertingkat,31,34 dan pemisahan uji-coba acak
berulang.35 Hanya dua penelitian (22%) yang menggunakan beberapa
bentuk metode validasi eksternal, termasuk membagi dataset
pelatihan/uji berdasarkan waktu.29,30
6
Penelitian Eksplorasi dalam Farmasi Klinis dan Sosial 11 (2023) 100317
3.4. Risiko bias dalam penelitian
Dari sembilan penelitian yang disertakan, 8 (89%) penelitian 29–
36memiliki risiko bias yang rendah sementara satu penelitian (11%)
37memiliki risiko sedang (Gbr. 2). Delapan penelitian (89%)
menggambarkan populasi penelitian secara memadai,29–34,36,37 dan 6
studi27,29,32–36 (67%) memberikan deskripsi yang memadai tentang
informasi tindak lanjut (misalnya, menjelaskan metode apa pun untuk
menangani kehilangan yang tidak dapat ditindaklanjuti atau jumlah
kematian). Kesembilan penelitian 29–37(100%) memberikan deskripsi
yang memadai tentang pengukuran faktor prognostik, seperti
menjelaskan metode imputasi untuk menangani data yang hilang,
memberikan definisi yang jelas tentang hasil rawat inap, dan
memperhitungkan faktor perancu potensial seperti faktor demografi.
Delapan studi29–36 (89%) melaporkan rincian analisis statistik,
termasuk prosedur validasi model. Penjelasan rinci tentang setiap
parameter yang termasuk dalam skala dapat dilihat pada Gambar
Tambahan 1.
3.5. Perbandingan kinerja LR dan ML
Terdapat variasi dalam kinerja model di seluruh metode ML,
seperti yang terlihat pada Gbr. 3. Secara keseluruhan, ML berkinerja
lebih baik daripada LR (perbedaan rata-rata AUC = 0,03; 95% CI:
0,01-0,05). Kami menemukan bahwa metode deep-learning (perbedaan
AUC = 0,06; 95% CI: 0,04-0,09) dan metode NN (perbedaan rata-rata
AUC = 0,02; 95% CI: 0,01-0,03) memiliki kinerja yang lebih baik
daripada LR (Gbr. 4).
Teknik-teknik seperti random forest, decision tree, metode
boosting, dan CART, yang dikelompokkan sebagai metode
pembelajaran berbasis pohon, tidak menunjukkan perbedaan dengan
LR (perbedaan rata-rata AUC = 0,02; 95% CI: -0,01-0,05) (Gbr. 5).
Selain itu, metode boosting dikelompokkan untuk memahami metode
berbasis pohon yang sangat canggih, dan tidak menemukan perbedaan
kinerja antara metode boosting dan LR (perbedaan rata-rata AUC =
0,02; 95% CI: -0,02-0,06) (Gbr. 5). Metode berbasis kernel, yang
mencakup teknologi seperti support vector machine (SVM) (perbedaan
rata-rata AUC = 0,02; 95% CI: -0,13-0,16), memiliki kinerja yang
mirip dengan metode LR (Gbr. 6). Dari lima penelitian29,32–35 yang
dilakukan pada populasi pasien jantung, kami menemukan bahwa ML
berkinerja lebih baik daripada metode LR (perbedaan rata-rata AUC =
0,03; 95% CI: 0,01-0,06) ketika memprediksi 30-
A. Talwar et al. Penelitian Eksplorasi dalam Farmasi Klinis dan Sosial 11 (2023) 100317

Gbr. 2. Grafik risiko bias untuk studi yang disertakan yang diadaptasi dari alat QUIPS.

7
A. Talwar et al. Penelitian Eksplorasi dalam Farmasi Klinis dan Sosial 11 (2023) 100317

Gbr. 3. Plot Hutan yang Membandingkan Metode Pembelajaran Mesin dan Regresi Logistik untuk Penerimaan Kembali 30 hari.

perawatan kesehatan dari

hari penerimaan kembali. (Gbr. 7). Tidak ada perbedaan dalam hasil
yang kami amati ketika kami menggunakan koefisien korelasi 0,1 atau
0,8. Analisis sensitivitas leave-one-out mengkonfirmasi ketahanan
analisis gabungan dengan menunjukkan bahwa hasilnya tidak berubah
secara signifikan selama analisis leave-one-out dengan menghilangkan
satu studi di setiap subset. (Gbr. 8).

3.6. Pelaporan Penilaian bias dan penilaian kepastian

Bias publikasi ditemukan berdasarkan inspeksi visual dari plot

corong. (Gambar Tambahan 2). Setelah melakukan uji Egger, nilai p
ditemukan sebesar 0,066 dan nilai z = -1,83, yang mengindikasikan
bahwa bias publikasi tidak disebabkan oleh efek studi kecil.
Kekuatan bukti ditemukan sangat rendah untuk memprediksi risiko
rawat inap ulang karena keterbatasan desain studi (semua studi
observasional) dan heterogenitas kondisi klinis dan sampel studi
seperti yang ditunjukkan pada Tabel 1.

4. Diskusi

Meta-analisis ini mengevaluasi sembilan penelitian yang

melibatkan berbagai metode ML dan metode LR untuk memprediksi rawat
inap di rumah sakit pada populasi klinis yang beragam di Amerika
Serikat. Studi ini memberikan bukti tentang prediksi rawat inap
berdasarkan penelitian yang diterbitkan hingga Desember 2019. Yang
paling penting, penelitian ini mengisi kesenjangan bukti dengan
membandingkan metode tradisional - LR dan teknik mutakhir - metode
ML untuk memprediksi penerimaan kembali di rumah sakit, sehingga
memberikan pemahaman yang dibutuhkan dan nilai dari pendekatan
canggih ini kepada para pemangku kepentingan perawatan kesehatan.
Semua studi yang dievaluasi dalam tinjauan ini menggunakan data
8
A. Talwar et al. Penelitian Eksplorasi dalam Farmasi Klinis dan Sosial 11 (2023) 100317
klaim asuransi, EMR, dan survei untuk memprediksi penerimaan
kembali pasien di rumah sakit pada populasi klinis yang beragam di
AS. Teknik berbasis pohon ML yang paling sering digunakan adalah
random forest dan boosting. Penelitian sebelumnya juga menemukan
bahwa metode berbasis pohon dan NN merupakan pendekatan ML
yang paling populer yang digunakan untuk memprediksi risiko rawat
inap, seperti yang terlihat dalam penelitian kami.18,21 Hal ini dapat
dikaitkan dengan kemudahan interpretasi, penanganan pola yang
kompleks dan non-linier, dan pemilihan fitur, yang mengarah pada
konvergensi yang lebih cepat dan kinerja yang lebih baik. 38Sebagian
besar studi yang disertakan dalam analisis ini menerapkan berbagai
metode untuk validasi. Domain variabel, termasuk faktor
sosiodemografi, tingkat keparahan penyakit, komorbiditas, diagnosis
utama atau indeks komorbiditas, kesehatan secara keseluruhan, dan
status fungsional, terutama disertakan dalam pengembangan model
prediksi ML dan LR. Kualitas keseluruhan pada sebagian besar
penelitian ditemukan sedang hingga tinggi. Namun, kepastian bukti
ditemukan rendah karena heterogenitas populasi dan desain studi
observasional.
Studi kami menemukan bahwa pendekatan ML berkinerja lebih
baik daripada LR dalam memprediksi penerimaan kembali dalam
waktu 30 hari. Namun, peningkatan daya prediksi berdasarkan AUC
tidak terlalu besar (perbedaan rata-rata AUC
= 0,03; 95% CI: 0,01-0,05) dibandingkan dengan LR dengan
variabilitas di seluruh metode ML. Konsisten dengan penelitian
sebelumnya di bidang kesehatan secara umum, temuan kami dari
meta-analisis menunjukkan kinerja metode ML yang serupa atau
sedikit lebih baik daripada LR.7,8,18,21,35,38,39Sebelumnya,
Christodoulou dan rekan-rekannya tidak menemukan manfaat kinerja
metode ML dibandingkan regresi logistik untuk pemodelan prediksi
klinis, sebuah hasil yang tidak secara langsung berfokus pada prediksi
rawat inap. 7Namun, penelitian tersebut tidak mengevaluasi algoritma
ML secara individual untuk menilai metode mana yang mungkin
bermanfaat atau tidak bermanfaat dalam pemodelan prediksi.
Sementara penelitian lain menemukan hanya beberapa teknik ML
yang mengungguli LR ketika mempelajari penerimaan kembali awal.
38Akibatnya, penelitian kami menemukan bahwa ada banyak

9
A. Talwar et al. Penelitian Eksplorasi dalam Farmasi Klinis dan Sosial 11 (2023) 100317

Gbr. 4. Plot Hutan yang Membandingkan Metode Deep Learning dan Metode Jaringan Syaraf Tiruan untuk Penerimaan Kembali 30 hari.

penerimaan kembali awal.38

variabilitas dalam kinerja metode ML, dengan beberapa metode ML,
Secara keseluruhan, deep learning dan NN unggul dalam menangkap
seperti metode berbasis pohon dan berbasis kernel, memiliki kinerja yang kompleksitas
mirip dengan LR. Metode gradient boosting adalah metode berbasis
pohon yang ditingkatkan dengan menggabungkan kekuatan pohon
regresi dan boosting, dan metode ini membangun model prediksi
dengan cara yang adaptif dan berulang.40,41 Namun, kinerja metode
boosting (berbasis pohon) mirip dengan LR.
Ketika mengevaluasi pendekatan ML individu untuk penerimaan kembali
di rumah sakit, penelitian kami menemukan bahwa metode ML yang
lebih canggih, seperti metode deep learning dan NN, meningkatkan
pemodelan prediksi dibandingkan LR. Temuan ini menjelaskan pentingnya
mengembangkan dan menggunakan model ML tingkat lanjut untuk
pemodelan prediksi yang lebih baik. Algoritma NN mengenali pola
data melalui pelabelan/pengelompokan data input mentah dan
menerapkan lapisan unit pemrosesan seperti neuron.42,43 Di sisi lain,
metode deep learning menggunakan arsitektur pembelajaran yang
dalam atau pendekatan pembelajaran hierarki. 44Deep learning terdiri
dari beberapa lapisan di antara lapisan input dan output, sehingga
memungkinkan beberapa tingkat pemrosesan informasi non-linear
melalui arsitektur hirarkis yang dieksploitasi untuk pembelajaran fitur
dan klasifikasi pola.45,46 Sebagai metode tercanggih, metode deep
learning mencakup banyak lapisan untuk mempelajari struktur rumit
dalam data yang kompleks, tidak mencakup pola-pola halus yang
mungkin terlewatkan oleh metode tradisional, dan telah terbukti
bermanfaat dalam aplikasi klinis. 45Karena kemajuan analitik ini,
prediksi dapat ditingkatkan, seperti yang ditemukan dalam penelitian
kami, dan konsisten dengan literatur sebelumnya. 38Futoma dan rekan-
rekannya menyimpulkan bahwa deep learning memiliki potensi
terbesar untuk meningkatkan akurasi prediksi untuk memprediksi
10
A. Talwar et al. Penelitian Eksplorasi dalam Farmasi Klinis dan Sosial 11 (2023) 100317
hubungan dan pola dalam data perawatan kesehatan dengan secara
otomatis mempelajari fitur-fitur, mengintegrasikan beragam jenis
data, dan mendeteksi anomali yang tidak kentara. Selain itu, metode-
metode ini, jika dikembangkan dan digunakan lebih lanjut, dapat
menawarkan wawasan pengobatan yang dipersonalisasi,
mengotomatiskan diagnostik, dan membantu analisis gambar dan teks
untuk diagnosis yang akurat dan perencanaan pengobatan.
Kemampuan mereka untuk memproses kumpulan data yang besar dan
mengungkap wawasan tersembunyi memiliki potensi untuk
merevolusi perawatan kesehatan dengan meningkatkan perawatan
pasien dan memajukan penelitian medis.
Keuntungan utama dari penggunaan teknik ML dibandingkan LR adalah
bahwa para peneliti tidak perlu memilih dan menentukan variabel
prediktor mana yang harus dipertimbangkan dan dalam kombinasi
apa. Sebaliknya, metode ML seperti NN mempelajari dan
menemukan pola faktor kunci dari data itu sendiri. Namun, mungkin
ada tantangan potensial yang terkait dengan pendekatan ini, seperti
interpretabilitas pola yang dipelajari dan potensi bias atau perancu
dalam data. Penelitian sebelumnya oleh Yu dkk. menyimpulkan
bahwa algoritma pembelajaran yang begitu canggih seperti ML
mungkin tidak selalu memberikan hasil yang lebih baik karena tidak
adanya data yang relevan. Oleh 47karena itu, tantangan untuk
mencapai model dengan kinerja tinggi untuk memprediksi hasil
penerimaan kembali adalah memiliki informasi yang kaya untuk
berbagai macam prediktor, mengingat sifat multidimensi dari masalah
penerimaan kembali48,49 multidimensi dan kualitas data masukan yang
tinggi.19,50,51
Penelitian ini memiliki beberapa kekuatan. Pertama,
sepengetahuan penulis, ini adalah meta-analisis pertama yang
memberikan evaluasi terfokus terhadap model ML dibandingkan
dengan LR untuk prediksi risiko rawat inap di rumah sakit. Meta-
analisis ini menambah literatur yang terus berkembang yang
menunjukkan pentingnya menggunakan metode ML yang canggih
untuk berbagai hasil studi kesehatan. Kedua, analisis sub-kelompok
mampu memberikan

11
A. Talwar et al. Penelitian Eksplorasi dalam Farmasi Klinis dan Sosial 11 (2023) 100317

Gbr. 5. Studi Perbandingan Petak Hutan menggunakan Metode Pembelajaran Berbasis Pohon untuk Penerimaan Kembali selama 30 hari.

Gbr. 6. Studi Perbandingan Petak Hutan menggunakan Metode Berbasis Kernel untuk penerimaan kembali selama 30 hari.

lebih banyak wawasan tentang kinerja metode ML yang spesifik jika
dibandingkan dengan metode LR dalam memprediksi hasil penerimaan
kembali. Ketiga, penelitian ini memberikan faktor-faktor penting yang
terlibat dalam pengembangan model ML, seperti sumber data dan
metode validasi, yang semakin memperkuat penelitian ini. Keempat,
sebagian besar studi yang diikutsertakan memiliki kualitas yang tinggi
dan dengan demikian, memastikan validitas internal dari temuan dalam
meta-analisis ini. Terakhir, tinjauan ini dilakukan sesuai dengan
12
dengan pedoman PRISMA untuk memberikan konsistensi dan
transparansi dalam meta-analisis ini.
Namun, penelitian ini memiliki beberapa keterbatasan. Untuk
memberikan rangkuman metode ML yang luas untuk prediksi risiko
rawat inap ulang, penelitian yang termasuk dalam meta-analisis ini
tidak terbatas pada diagnosis tertentu, dan oleh karena itu, kami tidak
dapat membahas kinerja metode ML untuk prediksi rawat inap ulang
pada penyakit tertentu.
A. Talwar et al. Penelitian Eksplorasi dalam Farmasi Klinis dan Sosial 11 (2023) 100317

Gbr. 7. Analisis Subkelompok: Plot Hutan yang Mengevaluasi Rawat Inap 30 hari untuk Pasien Jantung.

Gbr. 8. Analisis sensitivitas: Pendekatan tinggalkan-satu-keluar.

Meskipun tinjauan ini memberikan wawasan penting mengenai peran

populasi kecuali gagal jantung. Karena rawat inap ulang di rumah sakit
dapat bersifat spesifik untuk penyakit tertentu, maka penelitian lebih
lanjut perlu mengevaluasi nilai dari berbagai pendekatan ML dalam
memprediksi rawat inap ulang untuk penyakit tertentu. Selain itu,
penelitian ini tidak mengeksplorasi faktor-faktor yang mempengaruhi
perbedaan kinerja di antara masing-masing metode ML. Selain itu,
terdapat heterogenitas yang cukup besar dalam penelitian yang
meneliti risiko rawat inap ulang dalam studi kami. Penelitian-
penelitian tersebut bervariasi dalam hal pendekatan analitik (teknik
prediksi dan validasi), periode tindak lanjut, dan kondisi penyakit serta
stratifikasi berdasarkan risiko sesuai dengan pendekatan yang
digunakan, sehingga sulit untuk disatukan.
13
A. Talwar et al. Penelitian Eksplorasi dalam Farmasi Klinis dan Sosial 11 (2023) 100317
dan nilai dari pendekatan ML, diperlukan lebih banyak upaya untuk
menyediakan kegunaan dari pendekatan ini dalam pelayanan
kesehatan. Metodologi pengembangan dan validasi model harus
dirancang dan dilaporkan secara lebih transparan untuk evaluasi
pembanding di berbagai jenis rawat inap di rumah sakit. Transparansi
indikator kualitas yang penting seperti rawat inap ulang akan
mendorong pasien untuk memilih rumah sakit yang menawarkan
perawatan yang relatif lebih baik dan memberikan tolok ukur bagi
rumah sakit dalam upaya peningkatan kualitas untuk mengurangi
tingkat rawat inap ulang.52
Selain AUC, sebagian besar model yang ditinjau tidak melaporkan
ukuran statistik lainnya, seperti presisi atau recall, dan tidak banyak
yang membahas

14
A. Talwar et al. Penelitian Eksplorasi dalam Farmasi Klinis dan Sosial 11 (2023) 100317

Tabel 1 Pernyataan kontribusi kepengarangan CRediT

Ringkasan bukti.
Hasil Perkiraan, Referensi Kepastian Perbedaan Ashna Talwar: Konseptualisasi, Metodologi, Perangkat lunak,
No. studi bukti rata-rata Analisis formal, Investigasi, Sumber daya, Kurasi data, Penulisan - draf
dalam AUC awal, Penulisan - tinjauan & penyuntingan. Maria A. Lopez-Olivo:
(95% CI)
Metodologi,
Penerimaan 9 Zack dkk., 29Xue Sangat rendah 0.03 Analisis formal, Investigasi, Kurasi data, Penulisan - tinjauan &
kembali d k k . , 30Pakbin (0.01-0.05) penyuntingan, Pengawasan. Yinan Huang: Metodologi, Investigasi,
semua d k k . ,31 Garcia- Penulisan - tinjauan & penyuntingan. Lin Ying: Metodologi, Penulisan -
penyebab Arce dkk.,32
dalam 30 Golas dkk.,,33
tinjauan & penyuntingan. Rajender R. Aparasu: Konseptualisasi,
hari Allam et al,34 Metodologi, Investigasi, Penulisan - tinjauan & penyuntingan,
Mortazavi Pengawasan.
et al,35
Rajkomar
dkk., 36Yeo Deklarasi Kepentingan Bersaing
dkk.,
2014.37 Rendah 0.03 Para penulis menyatakan bahwa mereka tidak memiliki
5 Mortazavi (0.01-0.06) kepentingan finansial yang bersaing atau hubungan pribadi yang dapat
dkk., 35Golas
Rawat inap d k k ., ,
mempengaruhi pekerjaan yang dilaporkan dalam makalah ini.
kembali di 33Zack

antara pasien dkk., Ketersediaan data

jantung 29Allam dkk.,34

Garcia-Arce
dkk.32

Catatan kaki: Untuk memprediksi risiko rawat inap ulang dengan menggunakan
Pendanaan
teknik ML atau LR, kepastian bukti sangat rendah karena keterbatasan desain
penelitian dan ketidakkonsistenan akibat heterogenitas kondisi klinis yang Kami tidak memiliki dukungan dana untuk penelitian ini.
dinilai. Untuk memprediksi risiko rawat inap ulang di antara pasien gagal
jantung, kepastian bukti rendah karena keterbatasan desain penelitian;
ditingkatkan d e n g a n mengatasi ketidakkonsistenan, ketidaklangsungan, dan
tidak ada efek sampel kecil yang terdeteksi.

metode untuk mengatasi data yang tidak seimbang. Hal ini menyoroti
perlunya daftar parameter yang komprehensif untuk evaluasi model
agar dapat membuat perbandingan yang berarti dari kinerja model.
Kurangnya metode validasi standar 53dan tidak adanya validasi
eksternal menggunakan set data yang saling bergantung telah dicatat
dalam meta-analisis sebelumnya.14,54 Generalisasi dari model-model
prediktif canggih ini dapat ditingkatkan dengan metode validasi
eksternal. Selain itu, kerangka kerja untuk pengembangan model ML
dengan prosedur validasi standar membantu menerapkan metode ML
untuk memprediksi penerimaan kembali pasien di rumah sakit.
Penelitian juga harus fokus pada identifikasi algoritma mana yang
memiliki kinerja optimal untuk berbagai jenis masalah prediksi dalam
perawatan kesehatan.

5. Kesimpulan

Secara keseluruhan, meta-analisis ini memberikan dukungan yang

menjanjikan untuk teknik ML tingkat lanjut untuk mengembangkan
model prediksi risiko tingkat lanjut yang mengevaluasi penerimaan
kembali dalam populasi AS. Perbandingan metode ML menunjukkan
bahwa kinerja bervariasi di seluruh pendekatan ML, dengan metode
ML tingkat lanjut seperti deep learning dan NN mengungguli LR.
Penelitian di masa depan harus fokus pada pengembangan algoritma
yang memiliki kinerja optimal untuk berbagai jenis masalah prediksi
dalam perawatan kesehatan. Metode ML dengan pendekatan validasi
standar untuk pengembangan model dapat membantu mengoptimalkan
prediksi risiko rawat inap untuk semua kondisi klinis.

Pengungkapan

Penelitian ini tidak menerima hibah khusus dari lembaga

pendanaan di sektor publik, komersial, atau nirlaba. Rajender R.
Aparasu melaporkan hibah dari Astellas, Incyte, Gilead, dan Novartis,
di luar karya yang diajukan. Para penulis lainnya tidak memiliki
konflik kepentingan pribadi atau keuangan untuk dilaporkan.

15
 Semua
A. Talwar et al. data penelitian yang digunakan dalam naskah ini Penelitian Eksplorasi dalam Farmasi Klinis dan Sosial 11 (2023) 100317
dirangkum dan tersedia dalam tabel dan gambar yang disediakan
dalam dokumen utama dan materi tambahan.

Lampiran A. Data tambahan

Data tambahan untuk artikel ini dapat ditemukan secara online di

https://doi. org/10.1016/j.rcsop.2023.100317.

Referensi

1. Panduan Rumah Sakit Rockville M. untuk Mengurangi Rawat Inap Medicaid 2014
Oktober 1.
http://www.ahrq.gov/sites/default/files/publications/files/medreadmissions.pdf;
2015.
2 Jweinat JJ. Penerimaan kembali di rumah sakit di bawah sorotan. J Healthcare
Manag. Jul-Aug 2010;55(4):252-264.
3 Byrnes J. Menang dalam hal kualitas dan keselamatan: apakah Anda memerlukan
kepala petugas kualitas?
J Healthcare Manag. Nov/Des 2016;61(6):391-395.
4 Shipe ME, Deppen SA, Farjah F, Grogan EL. Mengembangkan model prediksi
untuk penggunaan klinis menggunakan regresi logistik: tinjauan umum. J Thorac
Dis. Mar 2019; 11 (suppl 4): S574–s584. https://doi.org/10.21037/jtd.2019.01.25.
5. Acumen L. Tindakan Berbasis Klaim Readmisi yang Berpotensi Dicegah untuk
Kesehatan Rumah: Metodologi Penyesuaian Risiko. Diakses pada Desember
https://www.cms.gov
/Medicare/Inisiatif-Kualitas-Instrumen-Penilaian-Pasien/HomeHealthQuality
Inits/Downloads/PPR_Risk_Adjustment_Methodology_07DEC2016-508-v3.pdf;
2021.
6 Obermeyer Z, Emanuel EJ. Memprediksi masa depan - data besar, pembelajaran
mesin, dan kedokteran klinis. N Engl J Med. 2016 Sep 29; 375(13):1216-1219.
https://doi.org/ 10.1056/NEJMp1606181.
7 Christodoulou E, Ma J, Collins GS, Steyerberg EW, Verbakel JY, Van Calster B.
Sebuah tinjauan sistematis menunjukkan tidak ada manfaat kinerja pembelajaran mesin
dibandingkan regresi logistik untuk model prediksi klinis. J Clin Epidemiol. Jun
2019;110:12–22. https://doi.org/10.1016/j.jclinepi.2019.02.004.
8 Song X, Liu X, Liu F, Wang C. Perbandingan pembelajaran mesin dan model
regresi logistik dalam memprediksi cedera ginjal akut: tinjauan sistematis dan meta-
analisis. Int J Med Inform. Jul 2021; 151, 104484. https://doi.org/10.1016/j.
ijmedinf.2021.104484.
9 Boulesteix AL, Schmid M. Pembelajaran mesin versus pemodelan statistik. Biom J Biom
Z. Jul 2014;56(4):588–593. https://doi.org/10.1002/bimj.201300226.
10 Norgeot B, Glicksberg BS, Trupin L, dkk. Penilaian model pembelajaran mendalam
berdasarkan data catatan kesehatan elektronik untuk meramalkan hasil klinis
pada pasien rheumatoid arthritis. JAMA Netw Open. Mar 1 2019;2(3).
https://doi.org/10.1001/ jamanetworkopen.2019.0606. e190606.
11 Vodencarevic A, Tascilar K, Hartmann F, dkk. Pembelajaran mesin tingkat
lanjut untuk memprediksi risiko flare individu pada pasien artritis reumatoid
yang menggunakan obat biologis. Radang Sendi Res Ther. Feb 27
2021;23(1):67. https://doi.org/10.1186/s13075- 021-02439-5.
12 Johansson FD, Collins JE, Yau V, dkk. Memprediksi respons terhadap
monoterapi tocilizumab pada artritis reumatoid: analisis data dunia nyata
menggunakan pembelajaran mesin. J Rheumatol. Sep 2021;48(9):1364-1370.
https://doi.org/10.3899/ jrheum.201626.
13 Fleuren LM, Klausch TLT, Zwager CL, dkk. Pembelajaran mesin untuk prediksi
sepsis: tinjauan sistematis dan meta-analisis akurasi tes diagnostik. Med Perawatan
Intensif. Mar 2020;46(3):383–400. https://doi.org/10.1007/s00134-019-05872-y.
14 Lee Y, Ragguett RM, Mansur RB, dkk. Aplikasi algoritma pembelajaran mesin
untuk memprediksi hasil terapi pada depresi: meta-analisis dan tinjauan sistematis. J
Affect Disord. 2018 Des 1; 241: 519-532. https://doi.org/10.1016/j. jad.2018.08.073.

16
A. Talwar et al.
15 Hassanipour S, Ghaem H, Arab-Zozani M, dkk. Perbandingan jaringan saraf
tiruan dan model regresi logistik untuk prediksi hasil pada pasien trauma:
tinjauan sistematis dan meta-analisis. Cedera. Feb 2019;50(2):244–250.
https://doi.org/10.1016/j.injury.2019.01.007.
16 Moher D, Liberati A, Tetzlaff J, Altman DG. Item pelaporan yang disukai untuk
tinjauan sistematis dan meta-analisis: pernyataan PRISMA. Bmj. Jul 21 2009; 339,
b2535. https://doi.org/10.1136/bmj.b2535.
17 Hayden JA, van der Windt DA, Cartwright JL, Coˆte´ P, Bombardier C. Menilai bias
dalam studi faktor prognostik. Ann Intern Med. Feb 19 2013;158(4):280-286.
https://doi.org/10.7326/0003-4819-158-4-201302190-00009.
18 Artetxe A, Beristain A, Gran˜a M. Model prediktif untuk risiko rawat inap di rumah
sakit: tinjauan sistematis metode. Program Metode Komputasi Biomed. Oktober
2018;164: 49–64. https://doi.org/10.1016/j.cmpb.2018.06.006.
19 Huang Y, Talwar A, Chatterjee S, Aparasu RR. Penerapan pembelajaran mesin
dalam memprediksi penerimaan kembali di rumah sakit: tinjauan literatur. BMC
Med Res Methodol. Mei 6 2021;21(1):96. https://doi.org/10.1186/s12874-021-
01284-z.
20 Kansagara D, Englander H, Salanitro A, dkk. Model prediksi risiko untuk rawat
i n a p d i rumah sakit: tinjauan sistematis. Jama. J. Med. 2011 Oct 19
2011;306(15):1688-1698. https:// doi.org/10.1001/jama.2011.1515.
21 Mahmoudi E, Kamdar N, Kim N, Gonzales G, Singh K, Waljee AK. Penggunaan
r e k a m medis elektronik dalam pengembangan dan validasi model prediksi risiko
rawat inap di rumah sakit: tinjauan sistematis. Bmj. Apr 8 2020;369.
https://doi.org/10.1136/bmj. m958. m958.
22 Shung D, Simonov M, Gentry M, Au B, Laine L. Pembelajaran mesin untuk
memprediksi hasil pada pasien dengan perdarahan gastrointestinal akut: tinjauan
sistematis. Dig Dis Sci. 2019 Aug 2019;64(8):2078-2087.
https://doi.org/10.1007/s10620-019-05645-z.
23 Zarshenas S, Tam L, Colantonio A, Alavinia SM, Cullen N. Prediktor tujuan
pemulangan dari perawatan akut pada pasien dengan cedera otak traumatis. BMJ
Terbuka. 2017 Agustus 31; 7 (8), e016694. https://doi.org/10.1136/bmjopen-
2017-016694.
24 Hanley JA, McNeil BJ. Metode untuk membandingkan area di bawah kurva
karakteristik operasi penerima yang berasal dari kasus yang sama. Radiologi. Sep
1983;148(3): 839–843. https://doi.org/10.1148/radiology.148.3.6878708.
25 Deeks JJ, Higgins JP, Altman DG, Grup CSM. Menganalisis data dan melakukan
meta-analisis. Dalam: Buku Pegangan Cochrane untuk Tinjauan Sistematis
Intervensi. 2019:
241-284.
26. StataCorp.. Perangkat Lunak Statistik Stata: Release 16. College Station, TX: StataCorp
LLC; 2019.
27 Egger M, Davey Smith G, Schneider M, Minder C. Bias dalam meta-analisis
terdeteksi oleh tes grafis sederhana. Bmj. Sep 13 1997; 315 (7109): 629-634.
https://doi.org/ 10.1136 / bmj.315.7109.629.
28 Schünemann H, Broz˙ek J, Guyatt G, Oxman A. Buku panduan GRADE untuk
menilai kualitas bukti dan kekuatan rekomendasi. Dalam: Diperbaharui Oktober
2013. Kelompok Kerja GRADE; 2013. Tersedia dari
guidelinedevelopment.org/handbook.
29 Zack CJ, Senecal C, Kinar Y, dkk. Memanfaatkan teknik pembelajaran mesin
untuk meramalkan prognosis pasien setelah intervensi koroner perkutan. JACC
Cardiovasc Interv. Jul 22 2019;12(14):1304-1311.
https://doi.org/10.1016/j.jcin.2019.02.035.
30 Xue Y, Liang H, Norbury J, Gillis R, Killingworth B. Memprediksi risiko rawat inap
perawatan akut di antara pasien rawat inap rehabilitasi: pendekatan pembelajaran
mesin.
J Biomed Inform. Oct 2018;86:143–148. https://doi.org/10.1016/j.jbi.2018.09.009.
31 Pakbin A, Rafi P, Hurley N, Schulz W, Harlan Krumholz M, Bobak Mortazavi J.
Prediksi penerimaan kembali ICU menggunakan data saat pemulangan pasien. Annu
Int Conf IEEE Eng Med Biol Soc. Jul 2018;2018:4932-4935. https://doi.org/10.1109/
embc.2018.8513181.
32 Garcia-Arce A, Rico F, Zayas-Castro JL. Perbandingan algoritma pembelajaran
mesin untuk prediksi penerimaan kembali rumah sakit yang dapat dicegah. J Healthc
Qual. May/Jun 2018;40(3):129–138. https://doi.org/10.1097/jhq.0000000000000080.
33 Golas SB, Shibahara T, Agboola S, dkk. Model pembelajaran mesin untuk
memprediksi risiko r a w a t i n a p 30 hari pada pasien gagal jantung: analisis
retrospektif data rekam medis elektronik. BMC Med Inform Decis Mak. 2018 Jun
22;18(1):44. https://doi.org/10.1186/s12911-018-0620-z.
10
Penelitian Eksplorasi dalam Farmasi Klinis dan Sosial 11 (2023) 100317
34 Allam A, Nagy M, Thoma G, Krauthammer M. Jaringan saraf versus regresi
logistik untuk prediksi penerimaan kembali semua penyebab selama 30 hari. Sci
Rep. 26 Jun 2019;9(1): 9277. https://doi.org/10.1038/s41598-019-45685-z.
35 Mortazavi BJ, Downing NS, Bucholz EM, dkk. Analisis teknik pembelajaran mesin
untuk penerimaan kembali gagal jantung. Circ Cardiovasc Qual Outcomes. Nov
2016;9(6):629-640. https://doi.org/10.1161/circoutcomes.116.003039.
36 Rajkomar A, Oren E, Chen K, dkk. Pembelajaran mendalam yang terukur
dan akurat dengan catatan kesehatan elektronik. NPJ Digit Med. 2018;1:18.
https://doi.org/10.1038/ s41746-018-0029-1.
37 Yeo H, Mao J, Abelson JS, dkk. Pengembangan model prediktif nonparametrik
untuk risiko rawat inap pada orang dewasa lanjut usia setelah operasi kanker usus
besar dan dubur. J Am Geriatr Soc. Nov 2016;64(11):e125-e130.
https://doi.org/10.1111/jgs.14448.
38 Futoma J, Morris J, Lucas J. Perbandingan model untuk memprediksi penerimaan
kembali di rumah sakit secara dini. J Biomed Inform. Aug 2015;56:229-238.
https://doi.org/10.1016/j. jbi.2015.05.016.
39 Shams I, Ajorlou S, Yang K. Pendekatan analitik prediktif untuk mengurangi
penerimaan kembali yang dapat dihindari selama 30 hari di antara pasien dengan
gagal jantung, infark miokard akut, pneumonia, atau PPOK. Health Care Manag
Sci. Mar 2015;18(1):19-34. https://doi.org/10.1007/s10729-014-9278-y.
40 Finch HW, Davis A, Dean RS. Identifikasi individu dengan ADHD menggunakan
baterai motorik sensorik Dean-woodcock dan algoritma pohon yang ditingkatkan.
Metode Behav Res. Mar 2015;47(1):204–215. https://doi.org/10.3758/s13428-014-
0460-4.
41 Elith J, Leathwick JR, Hastie T. Panduan kerja untuk pohon regresi yang
ditingkatkan. J Anim Ecol. Jul 2008;77(4):802–813. https://doi.org/10.1111/j.1365-
2656.2008.01390.x.
42 Gatys LA, Ecker AS, Bethge M. Tekstur dan seni dengan jaringan saraf dalam. Curr
Opin Neurobiol. Oct 2017;46:178–186. https://doi.org/10.1016/j.conb.2017.08.019.
43 Durstewitz D, Koppe G, Meyer-Lindenberg A. Jaringan saraf dalam dalam
psikiatri. Mol Psikiatri. Nov 2019;24(11):1583-1598.
https://doi.org/10.1038/s41380-019- 0365-9.
44 Alom MZ, Taha TM, Yakopcic C, dkk. Survei mutakhir tentang teori dan arsitektur
pembelajaran mendalam. Elektronik. 2019;8(3):292.
45 LeCun Y, Bengio Y, Hinton G. Pembelajaran mendalam. Nature.
2015;521(7553):436-444. https://doi.org/10.1038/nature14539, 2015/05/01.
46 Schmidhuber J. Pembelajaran mendalam dalam jaringan saraf: sebuah tinjauan
umum. Neural Netw. Jan 2015;61:85–117.
https://doi.org/10.1016/j.neunet.2014.09.003.
47 Yu S, Farooq F, van Esbroeck A, Fung G, Anand V, Krishnapuram B.
Memprediksi risiko rawat inap ulang dengan model prediksi khusus institusi. Artif
Intell Med. Oct 2015;65(2):89–96. https://doi.org/10.1016/j.artmed.2015.08.005.
48 Dhalla IA, O'Brien T, Morra D, dkk. Pengaruh bangsal virtual pascapemulangan
terhadap penerimaan kembali atau kematian pasien berisiko tinggi: uji klinis acak.
Jama. 1 Oct 2014;312(13):1305-1312. https://doi.org/10.1001/jama.2014.11492.
49 Goldman LE, Sarkar U, Kessell E, dkk. Dukungan dari rumah sakit ke rumah untuk
para lansia: uji coba acak. Ann Intern Med. 2014 Oct 7;161(7):472-481.
https://doi.org/ 10.7326/m14-0094.
50 Cortes C, Jackel LD, Chiang W P . Batasan akurasi mesin pembelajaran yang ditentukan
oleh kualitas data. Adv Neural Inf Proces Syst. 1994;7.
51 Ho LV, Ledbetter D, Aczon M, Wetzel R. Ketergantungan pembelajaran mesin
pada kualitas rekam medis elektronik. AMIA Annu Symp Proc. 2017;2017:883-891.
52 Upadhyay S, Stephenson AL, Smith DG. Tingkat rawat inap dan dampaknya terhadap
kinerja keuangan rumah sakit: sebuah studi tentang rumah sakit di Washington.
Pertanyaan: J Med Care Pembiayaan Penyediaan Organ. Jan-Des 2019;56.
https://doi.org/10.1177/ 0046958019860386, 46958019860386.
53 Senanayake S, White N, Graves N, Healy H, Baboolal K, Kularatna S.
Pembelajaran mesin dalam memprediksi kegagalan cangkok setelah transplantasi
ginjal: tinjauan sistematis dari model prediktif yang dipublikasikan. Int J Med
Inform. Oct 2019;130, 103957. https://doi.org/10.1016/j.ijmedinf.2019.103957.
54 Librenza-Garcia D, Kotzian BJ, Yang J, dkk. Dampak teknik pembelajaran mesin
dalam studi gangguan bipolar: tinjauan sistematis. Neurosci Biobehav Rev. 2017
Sep 2017;80:538-554. https://doi.org/10.1016/j.neubiorev.2017.07.004.