Model Data Analytics sebagai Solusi Masalah Big Data di Bidang Kesehatan

Deskripsi

Industri kesehatan di Indonesia, seperti yayasan kesehatan, rumah sakit, maupun asuransi, seringkali menghasilkan data yang berukuran sangat besar. Hal ini merupakan konsekuensi dari aktivitas dan transaksi kesehatan yang menuntut penyimpanan data kesehatan seperti rekam medis, riwayat konsultasi, hingga kebijakan kesehatan publik. Selain laju cepat pertumbuhan data (velocity) yang berakibat besarnya data yang disimpan (volume), tingkat kebernilaian (value) data kesehatan juga sangat tinggi. Belum lagi jenis data pada data kesehatan yang beragam (variety). Empat-V (velocity, volume, value, dan variety) yang melekat pada karakteristik data kesehatan ini sudah cukup untuk menggolongkannya sebagai Big Data.

Sebagaimana Big Data di bidang lain, Big Data dalam kesehatan juga mempunyai dua sisi, masalah dan peluang. Masalah terjadi karena Big Data kesehatan berukuran sangat besar dan kompleks sehingga mustahil untuk dikelola dengan metode maupun basis data tradisional. Velocity dan volume menuntut penanganan dan penyimpanan secara cepat dan baik. Value mengharuskan tingkat pengamanan data kesehatan yang tinggi. Sedangkan variety berimbas pada proses generalisasi dan normalisasi data yang sangat kompleks.

Namun, di balik masalahnya, Big Data memiliki potensi kebermanfaatan yang tinggi. Jika ditangani dengan baik, Big Data dapat meningkatkan kualitas pelayanan, mengoptimasi biaya, membantu mengambil keputusan, hingga memetakan masalah kesehatan yang rumit.

Pada kontestasi Indonesia Healthcare Innovation Awards tahun ini, penulis ingin memperkenalkan capaian pada penanganan dan pemanfaatan Big Data dalam bidang kesehatan di Indonesia. Adapun solusi yang dibawa adalah pemanfaatan platform data analytics sebagai solusi Big Data. Ada dua studi kasus Big Data yang berhasil ditangani tahun ini, yang pertama adalah analisis korelasi dan prediksi penyakit enam besar (jantung, hipertensi, diabetes melitus, gagal ginjal kronis, stroke, dan kanker) pada Yayasan Kesehatan (Yakes) Telkom. Sedangkan yang kedua adalah utilisasi Big Data pada BPJS Kesehatan untuk memprediksi biaya terverifikasi beberapa tahun ke depan.

Dengan menggunakan platform data analytics, Big Data yang dihasilkan Yakes Telkom dari hasil konsultasi dan GCU berhasil dimanfaatkan. Penulis berhasil menganalisis faktor-faktor apa saja yang paling berpengaruh pada penyakit enam besar. Dari hasil faktor-faktor yang paling berpengaruh tersebut, model prediksi penyakit untuk satu hingga empat tahun ke depan dapat dihasilkan. Misalnya, kita dapat memprediksi apakah tahun depan seseorang dapat terkena penyakit jantung dengan melihat usia, kolesterol, glukosa puasa, dan glukosa normal saat ini. Lebih jauh lagi model korelasi antar penyakit juga dihasilkan, seperti triplet jantung, hipertensi, dan diabetes yang sering muncul bersamaan. Model ini juga telah diimplentasikan pada aplikasi konsultasi dokter di Yakes Telkom.

Untuk kasus kedua, platform data analytics digunakan untuk menangani Big Data pada BPJS Kesehatan. Data yang harus ditangani lebih dari satu juta baris dengan 51 atribut yang harus dianalisis. Model pertama yang dihasilkan adalah model prediksi biaya terverifikasi di semua segmen kepesertaan sebagai dasar pengajuan RAPBN satu hingga tiga tahun ke depan. Selain itu, model juga berhasil menyeleksi 12 dari 51 atribut yang paling berpengaruh terhadap hasil prediksi. Model kedua yang dihasilkan adalah model tingkat utilisasi (penggunaan) BPJS Kesehatan per segmen pada tiap provinsi di Indonesia. Model utilisasi ini dapat membantu merancang strategi optimalisasi promosi dan penempatan kantor cabang BPJS Kesehatan.

Akhir kata, solusi model data analytics yang penulis gunakan pada dua kasus di dua instansi kesehatan di Indonesia cukup efektif menangani dan menggali potensi Big Data mereka. Akurasi model yang dihasilkan juga cukup tinggi dan reliabel. Lebih jauh lagi, model data analytics yang penulis kembangkan juga sangat berpotensi untuk menyelesaikan masalah Big Data pada bidang kesehatan lain. Bahkan di pertengahan tahun ini, model data analytics yang dikembangkan penulis telah dipersiapkan untuk menganalisis prediksi dan korelasi penyakit di sebuah provinsi di Indonesia (dengan BPJS Kesehatan), analisis prediksi dan pemetaan stunting di Indonesia (dengan BKKBN), dan analisis efisiensi mobilitas penduduk Indonesia di pandemi COVID-19 (dengan BPPT).

Materi