Wardah, Zahrotul and Suhartini, Suhartini and Wibowo, Adi (2024) ANALISIS PERBANDINGAN PENGKAJIAN STATUS KLINIS PASIEN KRITIS MENGGUNAKAN E-EWS RECORD DAN MACHINE LEARNING. Masters thesis, Universitas Diponegoro.

	Text 22020122410008_Zahrotul Wardah-Hal. Depan.pdf Download (436kB)
	Text 22020122410008_Zahrotul Wardah-BAB I.pdf Restricted to Registered users only Download (125kB)
	Text 22020122410008_Zahrotul Wardah-BAB II.pdf Restricted to Registered users only Download (389kB)
	Text 22020122410008_Zahrotul Wardah-BAB III.pdf Restricted to Registered users only Download (216kB)
	Text 22020122410008_Zahrotul Wardah-BAB VI.pdf Restricted to Registered users only Download (12kB)
	Text 22020122410008_Zahrotul Wardah-BAB IV.pdf Restricted to Registered users only Download (468kB)
	Text 22020122410008_Zahrotul Wardah-BAB V.pdf Restricted to Registered users only Download (249kB)
	Text 22020122410008_Zahrotul Wardah-Daftar Pustaka.pdf Download (132kB)
	Text 22020122410008_Zahrotul Wardah-Lampiran.pdf Restricted to Registered users only Download (1MB)

Abstract

Penilaian cepat terhadap status klinis pasien di IGD sangat penting untuk mengantisipasi perburukan kondisi dan mengambil tindakan yang tepat. Dalam era teknologi informasi, rekaman elektronik seperti Elektronik Early Warning Score (E-EWS record) dan machine learning digunakan untuk memprediksi status klinis pasien. Pada model machine learning dapat digunakan untuk memprediksi pasien sepsis, ARDS, cardiac arrest dan kematian yang di hubungkan dengan TTV dalam EWS. Maka diperlukan analisis machine learning dengan EWS dalam menentukan status kondisi pasien kritis pada saat pasien datang di IGD. Penelitian ini bertujuan untuk membandingkan penggunaan E-EWS record dan machine learning dalam menganalisis status klinis pasien. Pengambilan sample menggunakan teknik purposive sampling jumlah total 206 responden, dengan melakukan enam kali observasi pada rentang waktu 6 jam,12 jam, 18 jam, 24 jam, 48 jam hingga 72 jam. Rancangan penelitian menggunakan cross-sectional untuk menganalisis perbandingan E-EWS record dan machine learning yang menggunakan algoritma random forest. Hasil penelitian menunjukkan bahwa parameter E-EWS yang paling berhubungan sebagai prediktor adalah penggunaan oksigen, respirasi rate, dan tingkat kesadaran. Akurasi prediksi Skor E-EWS record mencapai 82,26% dengan MAE 0,22, dengan perbedaan yang signifikan. Perbedaan prediksi E-EWS record dan machine learning sebesar 17,74%. Evaluasi terhadap prediksi status klinis pasien dalam rentang waktu 48 jam (76,19%) dan 72 jam (71,43%) menunjukkan perbedaan yang signifikan antara kedua pendekatan tersebut. Namun dalam memprediksi status keluar rumah sakit, akurasi E-EWS record dan machine learning mencapai 97,62% dengan MAE 0,02, menunjukkan perbedaan yang signifikan antara kedua metode. Dapat disimpulkan bahwa terdapat perbedaan antara E-EWS record dan machine learning dalam memprediksi status klinis pasien.

Actions (login required)

View Item