Prediksi Dini Rawat Inap Rumah Sakit dengan Pembelajaran Mesin: Optimalisasi Manajemen Kepadatan UGD

Pendahuluan: Mengatasi Tantangan Kepadatan Unit Gawat Darurat

      Kepadatan di Unit Gawat Darurat (UGD) merupakan isu krusial dalam sistem kesehatan modern, mengancam keselamatan pasien dan menghambat efisiensi operasional. Ketidakseimbangan antara tingginya permintaan layanan medis akut dan kapasitas rumah sakit yang terbatas seringkali bermuara di UGD. Situasi ini menyebabkan waktu tunggu yang lebih lama, mengurangi kenyamanan pasien, dan bahkan berisiko terhadap hasil perawatan. Untuk mengatasi tantangan ini, prediksi kebutuhan pasien yang akurat menjadi sangat penting guna alokasi sumber daya yang efektif.

      Namun, studi yang ada umumnya berfokus pada perkiraan total volume pasien UGD secara keseluruhan. Pendekatan ini seringkali kurang spesifik untuk mendukung pengambilan keputusan operasional. Rumah sakit sejatinya beroperasi sebagai kumpulan departemen yang berbeda, dan perkiraan agregat dapat menyembunyikan variasi signifikan dalam kebutuhan layanan spesifik. Oleh karena itu, diperlukan pendekatan yang lebih terperinci untuk mengoptimalkan perencanaan kapasitas dan memastikan pelayanan yang tepat waktu.

Inovasi Pemodelan Prediktif: Pendekatan Multi-Dimensi

      Penelitian terbaru telah mengambil langkah maju dengan mendekomposisi permintaan pasien menjadi kategori yang lebih spesifik dan mempertimbangkan kompleksitas klinis. Dalam sebuah studi yang mengevaluasi algoritma pembelajaran mesin untuk memprediksi penerimaan rumah sakit, para peneliti menguraikan permintaan menjadi delapan kategori bangsal yang berbeda: Kedokteran Darurat, Kedokteran Umum, Bedah, Pediatri, Psikiatri, Kardiologi, Neurologi, dan Lain-lain. Pendekatan ini memungkinkan alokasi sumber daya yang lebih tepat sasaran, selaras dengan sifat bangsal rumah sakit yang terspesialisasi.

      Selain itu, jumlah pasien mentah tidak sepenuhnya mencerminkan kebutuhan operasional rumah sakit. Seorang pasien dengan kompleksitas klinis utama (DRG – Diagnosis-Related Group) membutuhkan sumber daya yang jauh berbeda dibandingkan kasus minor. Dengan membedakan kasus berkompleksitas tinggi, manajer tempat tidur memiliki metrik beban kerja yang lebih kuat daripada hanya mengandalkan jumlah pasien. Hal ini akan meningkatkan efisiensi perencanaan dan alokasi kapasitas. Untuk membantu rumah sakit memantau kondisi umum pasien secara mandiri dan cepat, solusi seperti Self-Check Health Kiosk dapat membantu dalam deteksi dini dan pengelolaan data kesehatan.

Mengatasi Distorsi Data Akibat Pandemi

      Periode waktu yang dianalisis dalam penelitian ini—Januari 2017 hingga Desember 2021—mencakup masa pandemi COVID-19 yang menyebabkan distorsi data signifikan. Untuk mengatasi hal ini, studi tersebut menggunakan model Prophet untuk menghasilkan nilai kontrafaktual sintetik. Ini berarti model Prophet 'memperkirakan' apa yang akan terjadi seandainya pandemi tidak terjadi, sehingga model pembelajaran mesin dapat belajar dari pola permintaan yang konsisten, bukan dari fluktuasi anomali pandemi. Pendekatan inovatif ini memastikan validitas dan reliabilitas hasil prediksi di tengah periode yang tidak biasa.

Algoritma Pembelajaran Mesin untuk Prediksi Akurat

      Penelitian ini mengevaluasi dan membandingkan tiga model prediktif yang berbeda: Seasonal AutoRegressive Integrated Moving Average with exogenous regressors (SARIMAX), EXtreme Gradient Boosting (XGBoost), dan jaringan Long Short-Term Memory (LSTM). Ketiga model ini digunakan untuk memperkirakan jumlah kedatangan harian di UGD selama horizon tujuh hari, menggunakan data dari rumah sakit rujukan tersier di Australia.

SARIMAX: Ini adalah model statistik yang diperluas dari ARIMA, dirancang khusus untuk data deret waktu yang menunjukkan pola musiman dan tren. Dengan exogenous regressors*, SARIMAX dapat menggabungkan variabel eksternal seperti hari dalam seminggu atau hari libur, yang dikenal memengaruhi kedatangan pasien. Model ini unggul dalam mengidentifikasi pola berulang dan memproyeksikannya ke masa depan. XGBoost: Algoritma ini merupakan bentuk dari ensemble learning* yang berbasis pada pohon keputusan. XGBoost dikenal karena akurasi dan efisiensinya yang tinggi, mampu menangani dataset yang kompleks dan besar. Ia bekerja dengan menggabungkan banyak model 'lemah' untuk menciptakan satu model 'kuat' yang membuat prediksi yang lebih baik, seringkali lebih akurat daripada model tunggal. LSTM: Ini adalah jenis jaringan saraf tiruan (deep learning*) yang sangat cocok untuk data deret waktu atau sekuensial. LSTM memiliki kemampuan khusus untuk 'mengingat' informasi dari waktu yang lebih jauh di masa lalu, yang memungkinkannya menangkap dependensi jangka panjang dalam data kedatangan pasien, menjadikannya ideal untuk pola permintaan yang kompleks dan tidak linear.

Temuan Kunci dan Implikasi Bisnis

      Hasil eksperimen menunjukkan bahwa ketiga model yang diusulkan secara konsisten mengungguli seasonal naive baseline (pendekatan dasar yang hanya mengandalkan data musiman tahun sebelumnya). Ini membuktikan efektivitas pembelajaran mesin dalam memprediksi kebutuhan rumah sakit.

XGBoost menunjukkan akurasi tertinggi untuk memprediksi total penerimaan harian dengan Mean Absolute Error* (MAE) sebesar 6.63. MAE adalah metrik yang mengukur seberapa dekat prediksi dengan nilai aktual, sehingga angka yang lebih rendah menunjukkan akurasi yang lebih tinggi. Ini berarti XGBoost sangat baik dalam memprediksi jumlah total pasien yang akan dirawat inap setiap hari.

• Model statistik SARIMAX terbukti sedikit lebih unggul untuk memprediksi kasus kompleksitas utama dengan MAE sebesar 3.77. Temuan ini menyoroti bahwa untuk skenario tertentu, model statistik yang terdefinisi dengan baik masih dapat bersaing atau bahkan melampaui algoritma pembelajaran mendalam.

      Meskipun demikian, studi ini menyimpulkan bahwa meskipun teknik-teknik ini berhasil mereproduksi pola harian yang teratur, mereka memiliki batasan umum dalam meremehkan lonjakan volume pasien yang mendadak dan jarang terjadi. Ini menunjukkan area potensial untuk pengembangan dan penyempurnaan di masa depan.

      Secara bisnis, penerapan model prediktif ini membawa dampak signifikan. Rumah sakit dapat:

• Mengurangi Biaya Operasional: Dengan memprediksi kebutuhan staf dan tempat tidur secara lebih akurat, rumah sakit dapat menghindari kekurangan atau kelebihan sumber daya, mengurangi biaya lembur yang tidak perlu atau biaya pemborosan.
• Meningkatkan Keselamatan Pasien: Alokasi sumber daya yang lebih baik berarti pasien menerima perawatan lebih cepat, mengurangi risiko yang terkait dengan waktu tunggu yang lama dan kepadatan.
• Peningkatan Efisiensi: Manajemen kapasitas yang optimal meningkatkan aliran pasien, mengurangi "pemblokiran akses" (ketika pasien UGD menunggu tempat tidur di bangsal) dan memungkinkan tenaga medis fokus pada perawatan yang lebih kompleks.
• Pengambilan Keputusan Berbasis Data: Manajer rumah sakit dapat membuat keputusan yang lebih tepat dan proaktif mengenai penjadwalan staf, ketersediaan tempat tidur, dan perencanaan darurat.

      ARSA Technology, sebagai penyedia solusi AI dan IoT terkemuka, menyediakan berbagai platform analitik yang dapat diimplementasikan di berbagai industri, termasuk untuk analitik video yang dapat disesuaikan untuk kebutuhan manajemen fasilitas seperti rumah sakit. Misalnya, dengan AI Video Analytics, sebuah rumah sakit dapat mengoptimalkan pemantauan, deteksi objek, dan analisis perilaku pasien atau pengunjung secara real-time untuk keamanan, keselamatan, dan intelijen operasional.

Masa Depan Manajemen Kapasitas Rumah Sakit dengan AI

      Penelitian ini menggarisbawahi potensi besar pembelajaran mesin dalam merevolusi manajemen kapasitas rumah sakit. Dengan terus menyempurnakan model-model ini, terutama untuk mengatasi lonjakan mendadak, kita dapat bergerak menuju sistem kesehatan yang lebih responsif dan efisien. Integrasi model prediktif ini ke dalam sistem manajemen operasional rumah sakit dapat memberikan pandangan real-time dan proaktif yang memungkinkan administrator dan manajer untuk membuat keputusan yang informasinya lebih akurat.

      Penerapan AI dalam konteks ini juga harus selalu mempertimbangkan privasi dan keamanan data pasien. Dengan desain yang mengutamakan privasi, teknologi AI dapat memberikan manfaat besar tanpa mengorbankan kepercayaan pasien. Masa depan manajemen rumah sakit akan semakin cerdas, didukung oleh data dan analitik AI yang mendalam.

Kesimpulan

      Studi ini memberikan kontribusi penting dalam bidang prediksi penerimaan rumah sakit dengan mengadopsi pendekatan granular yang mempertimbangkan spesifikasi bangsal dan kompleksitas klinis pasien. Meskipun ada tantangan dalam memprediksi lonjakan mendadak, keberhasilan model XGBoost dan SARIMAX dalam mereproduksi pola harian reguler membuka jalan bagi optimalisasi sumber daya yang lebih baik dan peningkatan keselamatan pasien. Dengan terus berinvestasi pada penelitian dan pengembangan AI, rumah sakit dapat secara signifikan meningkatkan efisiensi operasional dan kualitas layanan.

      Jika Anda tertarik untuk menjelajahi bagaimana solusi AI dan IoT dapat meningkatkan efisiensi dan keamanan fasilitas Anda, jangan ragu untuk menghubungi tim ARSA untuk konsultasi gratis.

      Sumber: arxiv.org/abs/2601.15481