Aplikasi Artifical Intelligent Pada Lingkungan Ilmu Kesehatan dan Kedokteran

Contoh Aplikasi Artifical Intellegent pada lingkungan kesehatan dan kedokteran


Pada dewasa ini sistem informasi kecerdasan buatan (Artifical Intellegance) sangat banyak dibutuhkan dalam berbagai bidang ilmu. Teknologi softcomputing merupakan adalah sebuah bidang kajian penelitian interdisipliner dalam ilmu komputasi dan kecerdasan buatan. Sebagai contohnya dimana beberapa teknik dalam softcomputing diantaranya sistem pakar (expert system), jaringan saraf tiruan (neural Networks), logika fuzzy (fuzzy logic), dan algoritma genetik (genetic algorithms) mulai banyak diterapkan dalam aplikasi-aplikasi yang sangat membantu manusia dalam menjalan kan tugas dan mencapai tujuan tertentu yang ingin dicapai.

Salah satu sub bidang yang menggunakan sistem kecerdasan buatan untuk mengatasi dan menganalisis permasalah yang ada adalah bidang kedokteran. Pengembangan aplikasi kecerdasan buatan pada bidang kedokteran sangat membantu sekali beberapa user yang terlibat dalam kedokteran.

Penelitian yang dilakukan Ting-Sheng Weng dan Chien-Hung Kuo pada tahun 2009 dengan judul “Development and Research on the Intelligent Emergency Medical Information System: A Case Study of Yunlin and Chiayi Counties in Taiwan ”, merupakan salah satu aplikasi yang sangat membantu pasien untuk mempercepat dan mempermudah dalam mendapatkan pelayanan serta membantu tenaga medis untuk melaksanakan tugasnya dengan cepat dalam menangani pasien. Dalam penetian tersebut di ciptakan sebuah aplikasi sistem infomasi darurat dalam menangani pasien secara cerdas di suatu daerah. Dimana jika terjadi kecelakaan ataupun pasien yang ingin ke sebuah rumah sakit di daerah tersebut dengan mudah dan cepat dapat ditunjukkan oleh sistem ini atau  akan meningkatkan kecepatan dan pelayanan ambulan dalam membantu pelayanan darurat medis serta efisien waktu tempuh untuk menemukan posisi rumah sakit terdekat dengan pasien yang membutuhkan pelayanan.

Sistem Kerja: sistem dirancang untuk membantu memecahkan masalah antara pasien dengan tenaga medis/rumah sakit. Dalam sistem ini, diciptakan sebuah tugas fungsi darurat penyelamatan medis. Sistem ini menggunakan peta satelit Formosa 2 (FORMOSAT-2) dan teknologi Ajax untuk mengakses informasi terhadap peta dan memungkinkan operator pusat untuk menentukan lokasi yang benar dari pasien secara tepat waktu.

Berdasarkan lokasi pasien, kemudian ambulans akan mengetahui posisi pasien dari layanan. Kemudian, teknisi medis darurat sejalan penyelamatan pertama yang menggunakan perangkat mobile pasien atau smart phone dapat terhubung ke sistem melalui GPRS (General Packet Radio Service ) atau 3G (Third Generation Wireless Format) untuk mencari pasien. Akhirnya, teknisi medis darurat bisa memasukkan kondisi pasien ke dalam sistem, dan kemudian sistem akan menentukan rujukan rumah sakit mana yang paling tepat.
Gambar 1. sistem Proses penyelamatan darurat medis
Hasil yang diperoleh: Penelitian yang telah dilakukan tersebut bertujuan untuk meningkatkan kemungkinan bahwa pasien menerima pengobatan yang tepat, dan disesuaikan untuk mengurangi pemborosan waktu yang disebabkan oleh transportasi yang tidak perlu antara rumah sakit. Sistem ini merupakan pengintegrasian sistem informasi rumah sakit dengan menggunakan ASP berbasis Web. Aplikasi mobile, dan bahasa teknologi Ajax, JavaScript dan SQL untuk membuat suatu sistem cerdas untuk informasi medis darurat yang menggabungkan aplikasi web, peta satelit dan fungsi keputusan darurat medis mobile. Diharapkan dengan menggunakan sistem ini, akan dapat meningkatkan efisiensi transportasi pasien di rumah sakit.

Penelitian yang dilakukan Rifat Shahriyar dkk (2009), dengan judul “Intelligent Mobile Health Monitoring System (IMHMS)”, dimana penelitian ini membahas tentang Handphone Health Care  merupakan sistem  integrasi antara komputasi mobile dengan pemantauan kesehatan manusia. Aplikasi teknologi komputasi mobile ini untuk meningkatkan komunikasi antara pasien, dokter dan petugas kesehatan. Perangkat mobile telah menjadi bagian tak terpisahkan dari kehidupan kita ternyata dapat diintegrasikan dengan kesehatan manusia. Hal ini memungkinkan penyampaian informasi medis yang akurat kapan saja di mana saja dengan menggunakan ponsel.

Sistem Kerja: IMHMS akan mengumpulkan data fisiologis pasien melalui bio-sensor. Data dikumpulkan dalam jaringan sensor dan ringkasan, kemudian data yang dikumpulkan ditransmisikan ke komputer pribadi pasien atau ponsel / PDA. Perangkat ini akan mentransfer data ke server untuk analisis medis. Setelah menganalisa data, server memberikan masukan medis ke komputer pribadi pasien atau ponsel / PDA. Pasien dapat mengambil langkah-langkah berdasarkan umpan balik. IMHMS berisi tiga komponen :
Wearable Body Sensor Network [WBSN] : pada bagian ini terdiri dari banyak sensor-sensor (bio-sensor) yang di tanam pada tubuh manusia, sensor ini adan menangkap semua kejadian pada setiap organ tubuh manusia dan kemudian mengirimkannya data-data yang terekam ke central controller, dimana ini merupakan pusat yang bertanggung jawab untuk mentransmisikan data pasien ke telepone, komputer pribadi maupun ke PDA.
Gambar 2 . WBSN
·     Patients Personal Home Server [PPHS]: Merupakan seperangkat server rumah pribadi pasien bisa berupa satu komputer pribadi atau perangkat mobile seperti ponsel / PDA. PPHS mengumpulkan informasi dari pusat pengendali WBSN. PPHS mengirim informasi ke Intelligent Medical Server [IMS]. PPHS berisi logika untuk menentukan apakah akan mengirim informasi ke IMS atau tidak. Personal Computer PPHS berdasarkan berkomunikasi dengan IMS menggunakan Internet. perangkat PPHS Mobile untuk berkomunikasi dengan IMS menggunakan GPRS / EDGE / SMS.
·     Intelligent Medical Server [IMS] : IMS akan menerima data dari semua PPHS. IMS merupakan tulang punggung dari seluruh arsitektur sistem ini.  Data yang ada dapat dipelajari dari catatan pengobatan pasien sebelumnya. Setiap kali dokter atau spesialis memeriksa pasien, pemeriksaan dan hasil pengobatan disimpan dalam database pusat. IMS menggunakan teknik data mining state-of-the-art seperti jaring saraf, aturan asosiasi, pohon keputusan tergantung pada sifat dan distribusi data. Setelah pengolahan informasi untuk memberikan umpan balik untuk PPHS atau menginformasikan otoritas medis dalam situasi kritis. PPHS menampilkan umpan balik kepada pasien. otoritas kesehatan untuk mengambil tindakan yang diperlukan.
Gambar 3. Arsitektur IMHMS

Hasil yang diperoleh: dibawah ini merupakan hasil perancangan dan hasil output dari sistem yang dibuat.
Gambar 4. Data Pasien dan manual data submission

Gambar 5. Data history

Gambar 6. Tampilan layar implementasi

Pada penelitian yang dilakukan Prasdl dkk (2011) dengan judul  “An Approach to Develop Expert System in Medical Diagnosis using Machine Learning Algorithms (Asthma) and a Performance Study”, mengatakan bahwa Mesin Intelijen memainkan peranan penting dalam perancangan sistem pakar dalam diagnosis medis. Di India banyak orang yang menderita beberapa jenis penyakit seperti asma, kanker diabetes, dan banyak lagi. Dalam penelitian ini peneliti mempertimbangkan untuk membuar sistem pakar diagnosis asma. Data diagnosis asma dapat dilakukan dengan dua cara 1) melalui kuesioner dan 2) melalui data klinis. Metode yang dipakai dalam penelitian ini adalah dengn menggunakan pendekatan Machine Learning Algorithmts, metode Backpropogation, algoritma C45, Bayesian Network, dan Particle Swarm Optimazation.
Sistem Kerja: Pertama-tama pasien diberikan beberapa pertanyaan yang harus dijawab,  berdasarkan pertanyaan ini seleksi Sistem Pakar akan ditentukan asma atau penyakit lain yang terjadi dalam sistem pernapasan pasien yang melakukan konsultasi apakan penyakit pasien derita seperti asma kronis, gagal jantung kongestif, Episodic Asma, Infeksi Saluran Pernapasan, Infeksi Viral. Dan kemudian pasien melaporkan jenis darah klinis untuk analisa lebih lanjut kemuadian dilakukan diagnosis dengan menggunakan algoritma yang telah dipilih, gejala asma dan data klinis yang dianalisis akan menghasilkan beberapa faktor seperti validasi, kehandalan, efektivitas , dan akurasi hasil analisis yang tepat yang bisa dipetakan dengan pengetahuan dari ahli.
Hasil yang diperoleh:  dari penelitian ini pula dapat didefinisikan konteks memori tergantung pada jaringan neurel-asosiatif dan  Particle Swarm Optimazation  adalah salah satu algoritma terbaik dari jaringan Bayesian, Backpropogation dan C4.5.


Tabel 1. Penghitungan akurasi pada 5 algoritma
Tabel 2. Hasil ananlisis
Particle Swarm Optimazation adalah salah satu metode yang paling menjanjikan untuk merancang dan mengembangkan sistem pakar dalam diagnosis medis. Bila dibandingkan dengan algoritma  backpropogation, Particle Swarm Optimazation adalah metode menjanjikan dari analisis neurel network.

Masih tentang penelitian sistem pakar, tetapi penelitian yang dilakukan Gang lou dkk, (2009) dengan judul “Intelligent Consumer-Centric Electronic Medical Record ”, menjelaskan tentang pemanfaatan sistem pakar berbasis web-base untuk memperluas cakupan pasein tentang medical record. Sebuah sistem pakar menggunakan pengetahuan medis untuk mengubah informasi dalam EMRs menjadi satu set "panduan pencarian informasi" yang mencerminkan situasi medis pengguna dan kebutuhan kesehatan.

Sistem Kerja: mesin pencari berbasis web menggunakan panduan pencarian informasi untuk mengambil informasi kesehatan pribadi. Pendekatan ini menggabungkan sistem pakar domain tertutup dengan orang-orang dari sistem pencarian terbuka-domain. Ahli sistem built-in pengetahuan untuk membantu menghasilkan query berkualitas tinggi, sedangkan sistem pencarian untuk menemukan halaman web yang sebelumnya tidak dikenal dengan sistem pakar.
Gambar 7. Arsitektur intelligent CEMR

iCEMR cerdas mengantisipasi kebutuhan pengguna di muka dan secara otomatis menyediakan satu set informasi kesehatan. Pengguna sering tidak tahu sebelumnya apa yang mereka inginkan karena kurangnya pengetahuan medis, sementara mereka biasanya dapat mengetahui apakah informasi kesehatan membantu ketika mereka disajikan dengan informasi tersebut.

Hasil yang diperoleh: Harapan yang ingin dicapa dengan dibuatnya intelligent CEMR ini untuk mempermudah masyarakat dalam memantau kesehatan secara online dan berfokus pada memfasilitasi kegiatan sehari-hari konsumen.

Dalam penelitian yang berjudul “SAPHIRE - Intelligent Healthcare Monitoring  based on Semantic Interoperability Platform - The Homecare Scenario - ”, yang dilakukan oleh Andreas Hein dkk,(2006) dimana perancangan dan pembuatan sistem informasi monitoring kesehatan yang di beri nama SAPHIRE. Proyek Saphire bertujuan untuk mengembangkan pemantauan kesehatan pemantauan cerdas dan sistem pendukung keputusan pada platform mengintegrasikan data sensor nirkabel medis dengan sistem informasi rumah sakit. Dalam proyek Saphire, pemantauan pasien akan dicapai dengan menggunakan teknologi agen dimana  "agent behaviour " akan didukung oleh sistem pendukung keputusan klinis yang cerdas akan didasarkan pedoman komputerisasi praktek klinis, dan akan mengakses riwayat medis pasien disimpan dalam sistem informasi medis melalui layanan web.

Sistem kerja: konseptual dari proyek Saphire digunakan untuk pasien di rumah sakit atau di rumah dan ini merupakan inti dari proyek ini. Berbagai dari sensor untuk mengumpulkan data dari pasien. Sensor data ditransmisikan secara nirkabel ke Interoperabilitas Multi-Platform disebut HealthCare Services Platform (MSHCP). Agen menggabungkan dan mengevaluasi status sensor dan menyimpulkan pada pasien. Berdasarkan data tersebut, dan dengan mempertimbangkan sejarah account pasien akan dikumpulkan dari berbagai instansi kesehatan, sebuah Semantic Intelligent Sistem Pendukung Keputusan berdasarkan pedoman semantis beranotasi dimodelkan menggunakan Pedoman Interchange Format (GLIF) yang dibuat saran untuk perawatan pasien. Mekanisme yang menjamin privasi lengkap dan keamanan sistem.
Gambat 8. Konsep dari Saphire


Hasil yang diperoleh: Multi-Platform Layanan homecare (MSHCP) bekerja  sebagai gateway antara pasien klinik dan rumah.  MSHCP diimplementasikan sebagai PC dengan sistem operasi (Linux), dengan menggunakan Java (J2SE), dan berbasis middleware OSGi. OSGi (Open Services Gateway Initiative) adalah komponen yang berorientasi pada lingkungan komputasi standar untuk layanan jaringan. Hal ini sudah digunakan untuk aplikasi otomatisasi dirumah. Komponen utama adalah eksekusi OSGi, berbagai lapisan modul yang berbeda, lapisan siklus hidup, dan layanan registri. Dengan cara ini, kerangka kerja ini dapat mengatur remote control dan komunikasi yang aman.

Kemungkinan anda sulit untuk memahami mengenai agent yang saya paparkan  di atas. Untuk pengertian agent pada AI, anda bisa membacanya di sini.
Blogger Template by BlogTusts Sticky Widget by Kang Is Published by GBT.

No comments:

Post a Comment