teknologi digital dan big data dalam penelitian dan

Inspiring and empowering society

Academic Health System Universitas Indonesia - Indonesian Medical Education and Research Institute

Faculty of Medicine Universitas Indonesia

Dr. Cipto Mangunkusumo General Hospital

Jakarta

Budi [email protected]@gmail.com

Teknologi Digital dan Big Data dalam Penelitian dan Pengembangan Ilmu Kedokteran

mailto:[email protected]

mailto:[email protected]


Situasi Kesehatan Indonesia (1)

No Parameter Indikator Data Catatan

1 Akses layanan Cakupan JKN terhadap layanan kesehatan untuk semua

221.021.074 penduduk Data per 30 Juni 2020

Fasyankes yang melakukan pelayanan JKN

27.055 fasyankes22.840 FKTP

Data per 1 Juli 2020

2 Kualitas layanan Angka kematian ibu 276 / 100.000 kelahiran hidup

Perkiraan tahun 2020

Angka kematian bayi 21.7 / 1000 kelahiran hidup

Stunting 29.13%

Total fertility rate 2.2

Pernikahan < 18 tahun 11.28%

Obesitas 22.18%

Anemia pada ibu hamil 48% Riskesdas 2018


Situasi Kesehatan Indonesia (2)

No Parameter Indikator Data Catatan

3 Beban layanan Penyebab kematian tertinggi Stroke, penyakit jantung, diabetes melitus, tuberkulosis

Data tahun 2017

Jumlah penduduk usia lanjut 15% dari total populasi (39 juta)

Perkiraan tahun 2030

Impor obat dan alat kesehatan

750 juta USD Data tahun 2015

Defisit BPJS Rp. 13 trilyun Tahun 2018

Pembiayaan penyakit degeneratif

70% dari total dana JKNRp. 49 trilyun

Tahun 2018

4 Sumber daya manusia

Jumlah dokter spesialisJumlah dokter umum

Dokter umum: 120.000Dokter spesialis: 40.000

Tahun 2020

Mutual recognition arrangement (MEA 2025)

Belum ada kesetaraan dan pengakuan

Indeks kompetitif rendah

Medical tourism Rp. 11.5 milyar USD belanja kesehatan ke luar negeri

Tahun 2012


National Health Services, 2019

Teknologi yang

mempengaruhi perilaku

pasien dan fasilitas pelayanan

kesehatan.


Kedokteran presisi merupakan pelayanan kesehatan

individu berbasis genetik, perilaku dan lingkungan.

Richard Hodgson

“ Perkembangan aspek genetik dan ketersediaan data kesehatan mendorong terwujudnya

pelayanan kesehatan individu secara lebih tepat .”


Big data memerlukan proses pengumpulan informasi dari berbagai sumber menuju sebuah pusat

penyimpanan. Setelah itu para ahli data akan membaca, mengedit, melakukan analisis serta

menampilkannya menjadi sebuah algoritme kesehatan.

Editorial. Eur J Vasc Endovasc Surg (2020)


Berbagai aktifitas pelayanan kesehatan yang merupakan sumber big data

Bagaimana big data kesehatan dikumpulkan


Penerapan kedokteran presisi terhadap berbagai penyakit pada manusia

Chan Song et al. Biomedicine and Pharmacotherapy, 2020


.

Aplikasi kedokteran presisi pada penyakit kanker

Chan Song et al. Biomedicine and Pharmacotherapy, 2020


Dampak kombinasi kecerdasan buatan

dan big data dalam kesehatan sangat

besar.

Peran dokter dan tenaga kesehatan

sangat penting terhadap integrasi

teknologi dalam pelayanan kesehatan.

Kecerdasan buatan dan big data dalam kesehatan masyarakat

Kurt Benke, Geza Benke. Int. J. Environ. Res. Public Health 2018


Pemanfaatan kecerdasan buatan dan metode deep learning perlu didukung oleh big data yang memerlukan

super komputer dan penyimpanan data yang besar serta lintas sektoral.

Kecerdasan buatan bagi klinisi akan meningkatkan kecepatan dan akurasi interpretasi gambar, bagi fasyankes

dapat memperbaiki alur kerja dan mengurangi kemungkinan kesalahan, bagi pasien terutama untuk

mengolah data kesehatan dirinya yang sangat bermanfaat bagi aspek promotif dan preventif.

Eric J Topol. Nature Medicine, 2019


Berbagai platform teknologi yang dapat menjembatani kedokteran presisi dan pelayanan

kesehatan.

Peran Teknologi dalam Kedokteran Presisi

Dean Ho. Trends in biotechnology, 2020


Model pemanfaatan data berbasis aplikasi mobile dalam pelayanan kesehatan


Continuously Monitoring the Human Machine

Kedokteran presisi akan mendukung kesehatan presisi yang memungkinkan individu mengatur

perilaku dan lingkungan untuk hidup sehat. Pengumpulan data kesehatan secara pasif dan

terus menerus merupakan kunci utama dalam aspek kesehatan presisi.


A positive feedback loop

Setiap orang akan dinilai faktor risiko serta

dibandingkan dengan populasi sehingga

dapat dipilih intervensi yang tepat.

Pengamatan secara pasif dan terus

menerus akan meningkatkan luaran

promotif dan preventif.


Manfaat machine learning dan kecerdasan buatan dalam pelayanan kedokteran.


Nariman et al. Am J Med. 2019


Penggunaan kecerdasan buatan sesuai siklus kehidupan

Credit: Debbie Maizels/ Springer Nature



Metode: Seluruh data ibu hamil dalam BPJS Kesehatan diolah menggunakan desain nested case-control

menjadi kelompok pre-eklampsia / eclampsia (n = 3318) dan kelompok normotensi (n = 19,883).

Data yang ada memiliki 95 variabel termasuk data karakteristik dan demografi serta riwayat kesehatan 24

bulan sebelum onset hipertensi serta melahirkan.


Dilakukan perbandingan area under the receiver

operating characteristics curve (AUROC) pada 6

algoritme.

Model terbaik terdiri dari 17 prediktor yang

berhasil diekstraksi menggunakan random forest.

Periode 9 – 12 bulan sebelum terjadinya pre

eklampsia memiliki AUROC yang terbaik

(confidence interval (CI) 0.88 - 0.89)

H. Sufriyana et al. EBioMedicine, 2020


Area under receiver operating

characteristics curve (AUROC)

beberapa sub grup yang

menjelaskan tentang periode

waktu sebelum sampai

terjadinya pre-eklampsia.

H. Sufriyana et al. EBioMedicine, 2020


Proses adaptasi kecerdasan buatan dalam pelayanan kedokteran. Diperlukan tindakan validasi

dalam masyarakat sebelum implementasi sebuah kecerdasan buatan pada pelayanan terhadap

pasien.

Credit: Debbie Maizels / Springer Nature



PEMERIKSAAN RESEPTIVITAS ENDOMETRIUM BERBASIS EKSPRESI 238 GEN

Alonzo et al. Fertil Steril, 2013


Pengambilan 1226 data embrio dari Yasmin IVF, RSCM Kencana

Melakukan Image Cropping, dan melakukan labeling embrio secara manual

Data citra embrio diproses menggunakan teknologi deep-learning dengan arsitektur ResNet50 Convulotional Neural Network

Algoritma yang sudah didapatkan dari proses deep-learning dilatih menggunakan database dari Fast.AI PyTorch

Automated Grading Embryo

Akbar A, Riyati O, Amelia P, Mutia K. Wiweko B. IMERI, 2020


Automated Grading Embryo

Citra embryo dengan grading 1,2 & 3

Train / Test

Grade 1: 344 / 115

Grade 2: 465 / 155

Grade 3: 110 / 37

Dilakukan labelling

dan grading secara

manual pada 1226

citra embrio

Akbar A, Riyati O, Amelia P, Mutia K. Wiweko B. IMERI, 2020


Miranda AV, Ikromi A, Handayani RRD, Yusuf PA, Susilaradeya D, Pujitrsnani A, Yunus REPendanaan: Hibah Pengmas IPTEKS bagi Masyarakat UI 2019&2020


Deteksi Dini Gangguan Jiwa Psikosis pada Remaja Risiko Tinggi dengan Analisis Semantik dan Sintaksis Berbasis Algoritma

Machine-Learning

Khamelia, Wiwie M, Kaligis F, Yusuf PA, Susanto A, Widyarini GAA, Susilaradeya DP, Cynthia LFAR, Pujitresnani A, Lukmana AAI, Ilham PSPendanaan: Program Pendanaan Perancangan Dan Pengembangan Purwarupa DISTP UI 2020


No Topik Subyek Pendanaan

1 Pemetaan profil genomik dan analisis korelasi mutasi genetik terhadap fenotip pada pasien kanker kolorektal di RSCM

24 Hibah PUTI Q1

2 Karakterisasi genomik dan analisis korelasi genotip - fenotip pasien kanker payudara RSCM

24 Hibah PUTI Q1

3 Karakterisasi profil genomik dan asosiasi gen pada pasien kanker payudara riset biobank FKUI - RSCM jakarta

16 Hibah PUTI Q1

4 Sekuensing pra implantation genetic testing (PGT) pasien bayi tabung 24 – 48 Klaster HRIFP

5 Identifikasi dan analisis mekanisme gen dalam patogenesis insufisiensi ovarium primer (IOP) dengan pendekatan whole genome sequencing

24 – 48 Hibah PUTI Q1

6 Karakterisasi profil genomik dan asosiasi gen pada Candida sp. penyebab kandidemia koleksi kultur departemen parasitologi FKUI


7 Karakterisasi profil genomik biomarker Leptospira sp. pada pasien terjangkit leptospirosis


Penelitian Genomik di IMERI FKUI


No Topik Subyek Pendanaan

8 Analisis microbiome pada ketombe kulit kepala 96 Sponsor

9 Whole genomic sequencing SARS-COV-2 24 – 48 – 96 Inisiasi

10 Pemeriksaan profil genomik microbiome dan korelasinya dengan nutrisi

96 Inisiasi

Penelitian Genomik di IMERI FKUI


Key dimensions of a digital health framework for enhancing communication among informal care, health care and biomedical research.


Translasi kedokteran presisi menuju precision public health dalam memecahkan

masalah kesehatan masyarakat.

Precision Public Health


Penggunaan kecerdasan buatan dalam

memetakan potensi genetik biodiversitas

Indonesia sebagai obat

BANK POTENSI GENETIK TANAMAN INDONESIA

PENGEMBANGAN OBAT BERBASIS GENOMIK

mempercepat proses = akselerasi

Ketahanan – Kemandirian Kesehatan Indonesia


SISTEM PENGUMPULAN DATA PENELITIAN


betterresearch and innovation

bettersocial impact

lessresearch and innovation

lesssocial impact

drug discovery

biomarker

international publication

import substitutiondigital medicine

precision medicine

massive open online course

medical device

regenerative medicineAI – robotics

tele medicine


Infrastruktur dan alur pengumpulan data kesehatan

Kee Yuan Ngiam, Ing Wei Khor. Big data and machine learning algorithms for health-care delivery. www.thelancet.com/oncology, 2019Samuel J. Aronson and Heidi L. Rehm. Building the foundation for genomics in precision medicine. Nature, 2015

http://www.thelancet.com/oncology


Infrastruktur dan alur pengumpulan data kesehatanKee Yuan Ngiam, Ing Wei Khor. Big data and machine learning algorithms for health-care delivery. www.thelancet.com/oncology, 2019Samuel J. Aronson and Heidi L. Rehm. Building the foundation for genomics in precision medicine. Nature, 2015

http://www.thelancet.com/oncology


ZiCare – WiiCare. Wiweko, 2020


Otoritas Data Kesehatan. Wiweko, 2020


MENYIAPKAN TEKNOLOGI DALAM LAYANAN KESEHATAN

No Faktor Uraian Catatan

1 Regulasi • Otoritas data kesehatan Indonesia• Lalu lintas data kesehatan Indonesia• Big data

• Kepemilikan• Keamanan• Rahasia• Privacy• Akses• Aspek kontribusi dan berbagi• Kekayaan intelektual

• Hukum Kesehatan 4.0 (bio-bank dan lain-lain)

Kondisi sekarang• Satu data Indonesia• Sehat pedia – Temenin • RUU perlindungan data pribadi• Surat edaran Menkes no. 303 /

2020• Perkonsil no. 74 / 2020

2 Infrastruktur • Platform teknologi (tele medicine) yang disahkan dan digunakan pemerintah

• Jaringan komunikasi yang handal dan merata

• Indonesia Genome Institute (INA GENIUS)• Sumber daya manusia• Wearable device buatan Indonesia

Sumber daya manusia• Data scientist• Ahli bio informatika


TAKE HOME MESSAGES

1. Big data yang terdiri dari data individu, genetik, proteomik, metabolomik merupakan kunci utama dalam pelayanan kedokteran presisi.

2. Kedokteran presisi cukup menjanjikan dalam mendukung aspek promotif, preventif, diagnostik dan tata laksana penyakit serta meningkatkan akurasi, efektifitas dan keselamatan pasien.

3. Layanan kedokteran presisi sangat membutuhkan dukungan aspek kesehatan digital dalam mengumpulkan data, mengawasi dan menentukan risiko individual secara akurat.

4. Potensi teknologi kesehatan digital dalam layanan kedokteran presisi harus didukung oleh infrastruktur dan dilindungi dengan regulasi kesehatan.


“ The goal of getting your genome done is not to tell you what you will die from, but it’s how to learn how to

take action to prevent disease ” – George M. Church

teknologi digital dan big data dalam penelitian dan

Documents