PUBLINEPUBLINE

Journal of Computer Science and Information TechnologyJournal of Computer Science and Information Technology

Menentukan apakah pasien memerlukan perawatan inap atau rawat jalan adalah salah satu keputusan klinis yang paling kritis dalam manajemen fasilitas kesehatan. Parameter Complete Blood Count (CBC) memberikan indikator fisiologis yang cepat dan tersedia, membuatnya menjadi kandidat kuat untuk sistem pendukung keputusan klinis berbasis machine learning. Penelitian ini bertujuan mengembangkan model prediksi kebutuhan rawat inap pasien menggunakan algoritma Random Forest yang dioptimasi melalui RandomizedSearchCV, dikombinasikan dengan SHAP (SHapley Additive exPlanations) untuk interpretabilitas model. Dataset terdiri dari 4.412 catatan pasien dari rumah sakit swasta Indonesia, termasuk sembilan parameter hematologi dan dua atribut demografis. Analisis fitur menunjukkan trombosit dan rasio leukosit-trombosit sebagai prediktor utama, dengan SHAP analysis mengonfirmasi bahwa nilai trombosit rendah dan leukosit tinggi menjadi faktor utama dalam prediksi rawat inap, konsisten dengan indikator klinis infeksi dan inflamasi sistemik. Temuan ini menunjukkan bahwa Random Forest dengan engineering fitur berbasis klinis dan interpretabilitas SHAP memberikan pendekatan transparan dan akurat untuk mendukung keputusan triase rawat inap.

Random Forest mampu memprediksi kebutuhan rawat inap pasien berdasarkan data hematologi dengan akurasi.Optimasi hiperparameter melalui RandomizedSearchCV memberikan peningkatan kecil namun konsisten pada metrik klinis.Trombosit dan rasio leukosit-trombosit menjadi prediktor utama, dengan konfirmasi SHAP yang konsisten dengan indikator infeksi dan inflamasi sistemik.Model ini menawarkan akurasi tinggi serta interpretabilitas yang transparan untuk penggunaan dalam sistem pendukung keputusan klinis.

Berdasarkan temuan penelitian, beberapa saran penelitian lanjutan dapat dikembangkan. Pertama, penelitian dapat memperluas dataset dengan menambahkan parameter klinis tambahan seperti hasil pemeriksaan biokimia atau riwayat diagnosis untuk meningkatkan akurasi prediksi. Kedua, pengujian algoritma lain seperti XGBoost atau Deep Learning dapat dilakukan untuk membandingkan kinerja model. Ketiga, analisis lebih mendalam tentang interaksi antara usia pasien dan parameter hematologi dapat dilakukan untuk memahami dampak demografi terhadap kebutuhan rawat inap. Saran-saran ini bertujuan untuk meningkatkan generalisasi model, memperkaya fitur prediktif, dan memperkuat validitas klinis dalam konteks pengambilan keputusan medis.

  1. View of Explainable AI in the Medical Field: A Survey on Machine Learning Interpretability and Use Cases.... anjs.edu.iq/index.php/anjs/article/view/2881/2126View of Explainable AI in the Medical Field A Survey on Machine Learning Interpretability and Use Cases anjs edu iq index php anjs article view 2881 2126
  2. Klasifikasi URL Phishing untuk SIEM: Perbandingan Model Machine Learning XGBoost dan Deep Learning TabNet... pub.nuris.ac.id/sainsdata/article/view/227Klasifikasi URL Phishing untuk SIEM Perbandingan Model Machine Learning XGBoost dan Deep Learning TabNet pub nuris ac sainsdata article view 227
  3. Machine Learning Approaches for Enhanced Diagnosis of Hematological Disorders | Computational Systems... doi.org/10.69882/adba.csai.2025072Machine Learning Approaches for Enhanced Diagnosis of Hematological Disorders Computational Systems doi 10 69882 adba csai 2025072
  4. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... link.springer.com/10.1007/s00607-024-01394-8Client Challenge client challenge javascript disabled browser please enable proceed required part site link springer 10 1007 s00607 024 01394 8
  5. Complete Blood Count (CBC) Interpretation and Analysis: A Comprehensive Review for Medical Laboratory... doi.org/10.63332/joph.v5i1.3144Complete Blood Count CBC Interpretation and Analysis A Comprehensive Review for Medical Laboratory doi 10 63332 joph v5i1 3144
Read online
File size776.77 KB
Pages12
DMCAReport

Related /

ads-block-test