SISTEM PENDUKUNG KEPUTUSAN KLINIS

Sistem Pendukung Keputusan Klinis

1.1  Sistem Pendukung Keputusan

Dalam kehidupan sehari-hari tidak terlepas dari permasalahan pengambilan keputusan. Masalah pengambilan keputusan sering dihadapi diberbagai bidang, tidak terkecuali dibidang kesehatan. Pengambilan keputusan merupakan suatu proses untuk memilih beberapa alternatif jalannya aksi yang bertujuan untuk mencapai tujuan tertentu. Dalam proses pengambilan keputusan tidak terlepas dari dukungan beberapa faktor, seperti faktor manusia, sumber daya, dan prosedur pengambilan keputusan. Faktor-faktor tersebut merupakan komponen-komponen dalam suatu sistem. Kondisi ini memunculkan adanya sistem pendukung keputusan(decision support system).

Raymond McLeod, Jr. (1998) mendefinisikan secara umum sistem dukungan keputusan sebagai “sebuah sistem yang menyediakan kemampuan untuk penyelesaian masalah dan komunikasi untuk permasalahan yang bersifat semi-terstruktur”. Dari definisi tersebut, dapat disimpulkan bahwa kunci permasalahan dapat dikatakan bersifat terstruktur apabila memproses informasi-informasi tertentu dengan cara tertentu pula sehingga akan diperoleh jawaban yang benar.

Sebaliknya, suatu permasalahan dikatakan bersifat tidak terstruktur apabila memproses berbagai informasi sehingga terkadang diperoleh jawaban yang benar, namun demikian tidak ada cara yang tepat untuk selalu memperoleh jawaban yang benar.

Secara umum, sistem pendukung keputusan (DSS) dapat dibagi menjadi beberapa kategori, diantaranya:

1. Model-driven DSS. Sistem ini menggunakan data dan parameter yang diberikan untuk menugaskan pengambilan keputusan dalam menganalisis situasi. Sistem ini tidak membutuhkan data secara intensif.
2. Communication-driven DSS. Sistem ini mengakomodasi dukungan dari berbagai dukungan dari berbagai tugas.
3. Data-driven DSS. Sistem ini mengakses dan memanipulasi data runtun waktu
4. Document-driven DSS. Sistem ini melakukan pengaturan, temu kembali, memanipulasi informasi yang tidak terstruktur dalam berbagai format elektronik.
5. knowledge-driven DSS. Sistem ini menyelesaikan masalah tertentu yang disimpan sebagai fakta, aturan, prosedur, atau struktur lain yang sejenis.

Suatu sistem pendukung keputusan tersiri dari beberapa komponen, yaitu: manajemen data, manajemen model, model-model eksternal, subsistem berbasis pengetahuan, dan antarmuka pengguna(Turban et al,2005. subsistem manajemen data terdiri atas basis data yang berisi data-data yang terkait dengan permasalahan yang akan diselesaikan subsistem. Manajemen model, merupakan paket perangkat lunak yang berisi statistik, ilmu manajemen atau model kuantitatif lainnya yang mampu memberikan kapabilitas analitik bagi sistem. Subsistem anatar muka, yang digunakan oleh pengguna untuk berkomunikasi dengan sistem. Untuk sistem berbasis web, web browser digunakan untuk keperluan tersebut. Subsistem manajemen berbasisi pengetahuan, yang lainnya. Beberapa metode dalam kecerdasan buatan dapat digunakan untuk keperluan tersebut.

1.2  Definisi Sistem Pendukung Keputusan Klinis

Pada awalnya, sistem pendukung keputusan(decision support system, DSS) merupakan sistem yang dibangun untuk keperluan mendukung pengambilan keputusan manajerial pada situasi semi terstruktur. Sistem ini tidak akan digunakan untuk menggantikan peran seorang pengambil keputusan dalam memberi keputusannya, namun hanya sebatas memberikan rekomendasi keputusan. Namun, seiring dengan perkembangan dibidang teknologi informasi dan kesehatan, sistem pendukung keputusan telah mulai diaplikasi dibidang kesehatan. Salah satu aplikasi yang paling banyak menggunakan konsep sistem pendukung keputusan adalah Clinical Decision Support System (CDSS) atau sistem pendukung keputusan klinis.

Beberapa difinisi terkait dengan CDSS telah diberikan oleh beberapa penulis shortiiffe mendefinisikan Medical Decision Support System sebagai, “program komputer yang dirancang untuk membantu para profesional dibidang kesehatan dalam membuat keputusan-keputusan klinis”. Kelemahan definisi yang diberikan oleh shortiiffe tersebut adalah cakupannya terlalu luas, yaitu meliputi penyimpanan, pencarian, atau penyajian data(pengetahuan) medis. Definisi yang lebih spesifik tentang CDSS diberikan oleh Wyatt dan Spiedelhalter (Bemmel etal, 1997:262):” Sistem pengetahuan aktif yang menggunakan dua atau lebih item data pasien untuk memberikan saran pada kasus tertentu”. Definisi tersebut meliputi komponen-komponen utama CDSS, yaitu: pengetahuan medis, data pasien, dan saran untuk kasus tertentu.

Beberapa tulisan memberikan definisi tentang Clinical Decision Support System (CDSS). Dalam Bemmel et all,(1997:262,CDSS adalah perangkat lunak yang dapat menerima input mengenai situasi klinis dan dapat menghasilkan output inferensi yang dapat membantu para praktisi dalam mengambil keputusan. Trowbidge dan Weingarten (2005) mengatakan bahwa CDSS membentu para dokter dalam mengaplikasikan informasi baru untuk merawat pasien menlalui analisis terhadapa variabel-variabel klinis tertentu. Hieb et al,(2002) mengatakan bahwa CDSS adalah sistem yang didesain secara otomatis untuk membantu meningkatkan kualitas dan menghemat biaya dalam aktifitas medis. CDSS dirancang untuk meyakinkan para pasien akan perawatan terbaik melalui jaminan bahwa pasien akan mendapatkan informasi yang benar pada saat yang tepat dengan keputusan yang tepat pula. Hunt(1998), mengatakan bahwa CDSS adalah perangkat lunak yang dirancang untuk membantu memberikan keputusan klinis bagi pasien dengan cara mencocokan karakteristik yang ada pada pasien dengan basis pengetahuan yang ada dalam komputer, kemudian dokter akan memberikan penilaian atau rekomendasi klinis.

Sedangkan, Mendonca(2004), mengatakan bahwa CDSS adalah program komputer yang dirancang untuk menyediakan dukungan para ahli dalam membuat keputusan klinis. Tujuan sistem ini adalah membantu para profesional dibidang kesehatan dalam menganalisis data pasien dan membuat keputusan berdasarkan diagnosis, melakukan pencegahan, dan tratment terhadap permasalahan kesehatan. CDSS dikembangkan diberbagai bidang sistem kedokteran, kedokteran gigi, dan farmasi. CDSS adalah perangkat lunak yang dapat digunakan untuk mengukur probabilitas munculnya penyakit apabila diberikan gejala, observasi, atau tes tertentu. CDSS dapat digunakan untuk mendiaknosa berbagai kasus yang sangat rumit, membantu proses belajar mengajar bagi guru dan siswa kedokteran, menjadikan user dapat berperan baik sebagai dokter maupun pasien, dan membantu para personil kedokteran(dokter, perawat, rumah sakit, dan pasien).

1.3  Beberapa Aplikasi CDSS

                                                       

CDSS telah banyak iaplikasikan untuk berbaagai keperluan dalam pengambilan keputusan klinis. Perangkat lunak yang telah di bangun untuk keperluan CDSS adalah MYCIN. MYCIN merupakan sistem pendukung keputusan yang bersifat kualitatif dengan menggunakan konsep sistem pakar. MYCIN berisi sejumlah peraturan, yang diturunkan oleh kolaborasi para ahli. Salah satu kelebihan MYCIN adalah dengan kemampuan untuk mengakomodasi adanya ketidakpastian. MYCIN menggunakan certainty factors (CF) untuk mengatasi masalah ketidakpastian.

Beberapa aplikasi CDSS lainya yang juga mulai dikembangkan antara lain :

1. ISABEL, merupakan suatu bentuk CDSS yang terintegrasi dengan internet yang menyediakan beberapa fitur untuk diagnosis.
2. NEOSIS, merupakan sebuah platform untuk integrasi dan representasi visual dalam kecerdasan medis.
3. LISA, berupa sistem pendukung keputusan dan informasi klinis untuk perawatan menyeluruh bagi anak-anak yang mengidap penyakit acute lympheblastic leukemia(Bury, 2008 )
4. EPIC, merupakan CDSS yang berperan sebagai mitra cerdas bagi staf klinisi dan memberikan panduan yang terstruktur.

1.4  karakteristik CDSS

Pada umumnya CDSS terdiri atas empat komponen yaitu: basis pengetahuan, mesin inferensi, modul penjelasan, dan memori kerja(lihat Gambar 1.1) (Mendoca, 2004)

                                          Gambar 1.1 Komponen-komponen utama CDSS

1.4.1        Basis Pengetahuan dan Akuisisi Pengetahuan Medis

Basis pengetahuan medis adalah kumpulan pengetahuan medis yang terorganisasi secara sistematis yang dapat diakses secara elektronis yang dapat diinterpretasikan oleh komputer. Basis pengetahuan medis biasanya mengandung suatu lexicon (pembendaharaan istilah yang diperbolehkan), dan hubungan khusus antar istilah dalam lexicon.  Pengetahuan medis dapat diperoleh dari literatur-literatur medis (pengetahuan terdokumentasi), atau berasal dari para pakar pada domain tertentu(pengalaman klinis) (Bemmel et al., 1997:277).

Dalam perkembangan perangkat lunak (software) diperlukan adanya keseimbangan antara teori dan praktek. Pengembangan secara praktis juga dibutuhkan untuk membangun sistem yang handal, seperti kinerja basis data dan basis pengetahuan. Koleksi pengetahuan dalam basis pengetahuan menyerupai beragam aktifitas perawatan kesehatan yang terkait dengan terjadinya pengetahuan tersebut. Beberapa aktifitas tersebut antara lain membangun petunjuk praktis, analisis data, mengumpulkan sumber-sumber pengetahuan dan membangun alat bantu akuisisi pengetahuan. Ada beberapa metode yang dapat digunakan untuk mengembangkan petunjuk praktis tersebut antara lain:

a.       mengkombinasikan antara kajian literatur baik formal maupun informal

b.      diskusi panel para ahli atau konsensus dari pertemuan

c.       konsultasi dengan ahli ditingkat lokal

d.      publikasi pada jurnal medis untuk merangsang adanya diskusi.

Proses akuisisi pengetahuan dibidang medis secara umum dapat dikategorikan menurut sumber pengetahuan medis, yaitu:

1. pengetahuan diperoleh dari para ahli, yang diperoleh baik secara konvensional melalui perantaraan sistem analisis-ahli, maupun diperoleh dari para ahli secara langsung pada basis pengetahuan melalui program editor
2. pengetahuan diperoleh dari literatur-literatur yang telah dipublikasikan

alat bantu untuk akuisisi pengetahuan sering dikenal dengan knowledge-based editors (KBEs). KBEs sangat membentu para dokter dalam menempatkan dan memproses berbagai pengetahuan yang relevan.

1.4.2        inference engine

Inference engine merupakan komponen yang bertugas untuk  melakukan penelaran berdasarkan fakta-fakta yang diberikan dan pengetahuan yang tersedia pada basis pengetahuan. Pada dasarnya ada dua penelaran yaitu penalaran deduktif dan penalaran induktif. Penalaran deduktif adalah proses penalaran yang dimulai dari premis umum untuk mendapat kesimpulan yang bersifat khusus. Sedangkan penalaran induktif adalah proses penalaran yang dimulai dari premis khusus untuk mendapat kesimpulan yang bersifat umum. Penalaran deduktif bersifat konsisten dan memiliki pengetahuan yang lengkap. Sedangkan penalaran induktif bersifat non monoton. Ciri-ciri ketidakpastian, adanya perubahan pada pengetahuan an penembahan fakta baru dapat mengubah konklusi yang sudah terbentuk. Sedangkan pada penalaran induktif dilengkapi dengan kamampuan mengatasi ketidakpastian.

1.4.3        memori kerja

Memori kerja berguna untuk menyimpan data-data, fakta-fakta atau informasi yang ada pasien. Data-data tersebut mencakup data demografi, gejala yang dialami, tanda yang diperlihatkan, pengobatan yang dialami, dll.

1.4.4        Modul penjelasan

Modul penjelasan digunakan sebagai media untuk memberikan penjelasan dan alur interensi dalam memutuskan lahirnya suatu solusi.

1.5 Kategori CDSS

CDSS dapat dikategorikan dengan cara yang berbeda seperti representasi pengetahuan, tips keputusan dan domain medis. Jika dilihat dari sudut pandang dokter, system dapat dibagi berdasarkan diminta atau tidaknya saran yaitu dimintai saran (solicited advice ), tidak dimintai saran (unsolicited advice ), dan system anatomi (autonomous system ).

Pada solicited advice  dokter secara eksplisit berkonsultasi dengan DSS. Solicited advice memiliki cirri sebagai berikut :

a.       Kebanyakan bersifat stand alone.

b.      Pengguna berdialog langsung dengan system .

c.       System akan memberikan pertanyaan kepengguna sebagai data input.

d.      Melalui DSS, system akan memberikan control kepada dokter untuk menalar.

Pada ansolisited advis system memberikan saran secara terpisah kepada dokter. System ini menggunakan data pasien kemudian membangkitkan saran secara terpisah dengan permintaan dokter. System ini memonitor data pasien yang masuk.

1.6  Kapabilitas dan Kredibilitas CDSS

Pada prinsipnya system ini pendukung keputusan harus memiliki kemampuan untuk digunakan dengan mudah, mengakses berbagai sumber, tipe dan format data untuk berbagai permasalahan, mengakses berbagai kemampuan analis dengan bebrapa saran dan panduan. Apabila dipandang dari sisi antar muka, suatu system pendukung keputusan harus mampu melayani berbagai format input atau output dari pengguna, berbagai gaya dialog, mendukung komunikasi antar pengguna dan pengembang, mendukung adanya pengetahuan dari pengguana. Dan memberikan dukungan dialog yang fleksibel dan adaptif. Jika dilihat dari sudut pandang kapabilitas data, system harus memiliki kemampuan untuk mengolah data dengan berbagai tipe dan format, mengekstraksi, mengcapture dan mengintegritaskan data, Melakukan akses data; berfungsi dalam manajemen basis data, melakukan tracking terhadap pengguna data dan mendukung fleksibilitas dan adaptasi data. Apabila ditinjau dari sudut pandang model, maka system harus memiliki kepustakaan model terkait aturan basis model, memiliki fasilitas pembangun model, mampu melakukan manipulasi data, mampu melakukan fungsi manajemen basis model, mampu mendokumentasikan model, mampu melakukan traking terhadap pengguna model, dan mampu memberikan dukungan terhadap fleksibilitas.

Bebrapa metode dapat digunakan untuk melakukan uji validitas salah satu metode yang dapat digunakan adalah one feature: single decision threshold. Metode ini digunakan manakala hanya ada satu fitur saja yang mempengaruhi hasil diagnosis. Nilai thersold dipilih untuk memutuskan apakah suatu kondisi teridentifikasi penyakit tertentu.

Model keputusan

Metode ini menggunakan empat parameter diagnosis, yaitu true positive (TP). True negative (TN), false positive (FP), dan False negative (FN). Gambar 1.2.  true positive (TP) menunjukkan jumlah pasien yang teridentifikasi terserang penyakit X baik berdasarkan data riil maupun CDSS. True negative (TN) menunjukkan jumlah pasien yang tidak terserang penyakit X baik berdasarkan dat aril  maupun CDSS. False positive (FP) menunjukkan jumlah pasien yang tidak menderita penyakit X berdasarkan data riil namun model keputusan CDSS memutuskan terserang penyakit X. False negative (FN) menunjukkan jumlah pasien yang menderita penyakit X berdasarkan data riil namun model keputusan CDSS tidak memutuskan terserang penyakit X. umumnya nilai TP, TN, FP dan FN disajikan dalam bentuk presentase.

1.7       Sistem Pendukung Keputusan Kelompok Klinis

Pengambilan keputusan dalam suatu organisasi biasanya dilakukan oleh beberapa orang pengambil keputusan.Tidak terkecuali pada bidang klinis.Proses pengambilan keputusan ini akan cukup sulit dilakukan apabila masing masing anggota berada pada lokasi yang berbeda dan bekerja pada waktu yang tidak bersamaan.Untuk mengakomodasi  keperluan pengambilan keputusan tersebut dibutuhkan suatu mekanisme dan sarana untuk melakukan komunikasi,kolaborasi,dan pengaksesan sumber informasi dengan beragam format.Agar kolaborasi yang dilakukan oleh kelompok tersebut dapat berjalan dengan efektif,maka dibutuhkan teknologi dan metode komnunikasi yang sesuai.Pada saat ini,internet merupakan sarana yang terpilih untuk keperluan tersebut.

Pada masalah diagnosis system pendukung keputusan kelompok juga dapat diaplikasikan.Pada era 2000 ini,Clinical Group Decision Suppport System (CGDSS) juga sudah mulai dikembangkan.Salah satu CGDSS yang telah dikembangkan adalah CGDSS untuk anamnesis,diagnosis,dan penatalaksanaan penderita gangguan jiwa non psikotis yang dikembangkan oleh Kusuma dewi (2006).Sistem bertugas untuk mengoptimalkan aturan aturan dalam basis pengetahuan sehingga system tersebut memiliki kemampuan untuk beradaptasi untuk mendiagnosis gangguan kejiwaan berdasarkan gejala gejala yang diberikan oleh pasien.CGDSS yang dibangun tersebut merupakan solicited advice,dimana system memberikan saran hanya pada saat system tersebut diinstuksikan untuk member saran.Pada system ini,pengguna (pskiater,psikokog,residen,atau pengguna yang laen) secara ekplisip berkonsultasi dengan DSS

Sistem terdiri atas kelompok pengambil keputusan.Kelompok pengambil keputusan terdiri atas dua level,yaitu level-1 dan level-.Level-2 berisi kelompok pskiater (dokter ahli kejiwaan) dan psikolog klinis ; sedangkan level-1 berisi kelompok psikolog non klinis.Semua pengembil keputusan didalam kedua level tersebut dapat berpartisipasi untuk membangun basis pengetahuan yang berisi sekumpulan aturan untuk menentukan kategori gangguan kejiwaan non psikotis beserta alternatif terapinya.Kelompok ini berkolaborasi dalam memberikan untuk memecahkan suatu permasalahan tertentu.Selain diperoleh dan referensi,pengetahuan juga diperoleh dari PPDGJ III.Kumpulan pengetahuan yang diperoleh dapat digunakan oleh pengguna lain ( end user ) untuk melakukan diagnosis berdasarkan fakta (gejala) yang dialami oleh pasien melalui mekanisme inferensi (gambar 4.4)

Pembentukan pengetahuan pada basis pengetahuan dilakukan dalam 2 tahap yaitu membentuk kondisi (kumpulan gejala) yang mendukung pengetahuan (bagian anteseden) dan membentuk konsekuen yang berisi gangguan gangguan yang terkait dengan kondisi tertentu (gambar 4.5)

Bagian sistem secara detail terlihat pada gambar 4.6.Secara umum,ada 4 blok entitas yang saling terkait,yaitu:

a.       Blok A,Clinical Group Decision Support System (CGDSS) yang diusulkan.Seperti halnya standart suatu sistem pendukung keputusan,sistem ini terdiri atas 3 komponen utama berupa manajemen data,manajemen model,dan antarmuka pengguna.Manajemen data,merupakan proses pengaturan danpemeliharaan  data data yang digunakan oleh sistem dalam suatu bisnis data.Selain diperoleh secara internal dari sistem itu sendiri,data data ada juga yang diperoleh dari sistem terkomputerisasi yang laennya.Manajemen model merupakan pengaturan dan pemeliharaan model CGDSS secara menyeluruh yang akan dikembangkan.Proses pengaturan tersebut erat kaitannya dengan pengaturan subsistem berbasis pengetahuan,pengeturan subsistem mekanisme inferensi,pengaturan antarmuka pengguna,maupun koneksi sistem dengan internet.Subsistem berbasis pengetahuan merupakan sarana untuk membangun basis pengetahuan.Subsistem ini dibanggun dengan konsep Fuzzy Multi-Attribute Decision Making (FMADM).Subsistem berbasis pengetahuan meliputi beberapa tahap yaitu proses menerima perefensi dari para pengambil keputusan,proses transformasi perefensi kerelasi perefernsi Fuzzy,proses komposisi prereferensi matriks agregasi,proses perankingan alternatif,dan proses penghitungan probabilitas bersyarat.Selain diperoleh dari preferensi para pengambil keputusaan,basis pengetahuan juga dapat dibangun dari Pedoman Pengolongan dan Diagnosis Gangguan Jiwa III (PPDGJ III).Subsistem mekanisme inferensi apabila diberikan gejala-gejala tertentu.Ada dua proses,yaitu analisis sensitivitas metode-metodeMADM klasik,dan pemilihan metode.Pada proses analisis  sensitisfitas,akan dilakukan uji sensitifitas terhadap metode Simpel Aditive Weighting (SAW) dan metode Technique for Order Preference by Similarity to Ideal Solution (TOPSIS).Antarmuka pengguna merupakan sarana yang digunakan agar pengguna dapat berkomunikasi dengan sistem.Beberapa menu utama yang ditawarkan meliputi manajemen pengetahuan,manajemen inferensi,manajemen pasien,manajemen pengguna,manajemen informasi,manajemen konferensi dengan pembagian askes seperti pada bagian c.

b.      Blok B,pengguna yang terdiri atas pengguna tanpa ijin askes,pengguna biasa dengan ijin askes,penggambil keputusan level-1,pengambil keputusan level-2,dan administrator.

c.       Blok C,sistem berbasis computer lainnya merupakan sistem yang tidak dibangun dalam penelitian ini namun masih menberikan konstribusi untuk memperkaya informasi,seperti portal-portal terkait dengan bidang kesehatan.

d.      Blok D,internet merupakan sarana yang mutlak harus ada karena sistera yang akandibangun berbasis wel.

1.7  Kendala-kendala dalam Membangun CDSS

Meskipun secara teoritis,CDSS sangat mungkin untuk diaplikasikan dalam bentuk program terkomputrisasi,namun demikian masih banyak kendala yang harus dihadapi dalam membangun CDSS.Sebagian besar kendala tersebut tidak terletak pada proses pengembangan sistem,namun lebih banyak terletak pada implementasi dilapangan.Masalah kultur dan kebiasaan pengguna juga menjadi kendala besar dalam implementasi sistem.Secara umum,ada beberapa kendala utama yang sering dialami (terutama di Indinesia),antara lain;

1.       Adanya presepsi yang seringkali berada antara pihak pengambil keputusan (dokter atau klinisi) dengan analis sistem.Hal ini menyebabkan perlu adanya penyamaan presepsi antara pihak pengambil keputusan (klinisi atau dokter) dengan analis sistem.Penyamaan presepsi ini sangat penting dalam kaitannya dengan pemilihan metode pengambilan keputusan,perancangan aliran proses,dan antar muka.

2.       Beberapa model diagnosis tidak dapat ditormulasikan dalam format yang baku.Kenyataan tersebut akan menimbulkan kesulitan dalam pembentukan antarmuka dan pembentukan program.Oleh karena itu dibutuhkan metode yang tepat untuk dapat meneterjemahkan bahasa sehari-hari yang digunakan dalam proses diagnosis kedalam format yang digunakan dalam proses diagnosis ke dalam format yang dimungkinkan untuk pemograman.Konsep pengolahan bahasa alamidalam diterapkan untuk kepentingan tersebut.

3.       Diagnosis adalah seni dan pada tataran tertentu memang sangat sulit untuk direprensikan secara matematis.