Contoh Aplikasi Artifical Intellegent pada lingkungan kesehatan dan kedokteran
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 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.
No comments:
Post a Comment