Pandemi COVID-19 memberikan tantangan besar bagi sistem kesehatan di seluruh dunia, termasuk Indonesia. Di tengah tekanan luar biasa ini, menjaga dan meningkatkan kualitas layanan rumah sakit menjadi prioritas utama. Salah satu cara untuk mencapainya adalah dengan memanfaatkan teknologi informasi dan data indikator kualitas rumah sakit.
Sistem dokumentasi akreditasi rumah sakit di Indonesia, yang diwajibkan berdasarkan Peraturan Menteri Kesehatan Nomor 129 Tahun 2008, menjadi instrumen penting dalam menilai kualitas layanan. Namun, tantangan muncul ketika banyak rumah sakit gagal menyampaikan laporan indikator kualitas secara lengkap, terutama selama pandemi. Dari 658 rumah sakit yang melaporkan data pada tahun 2020, hanya 275 rumah sakit yang memenuhi kriteria kelengkapan data. Tantangan ini menunjukkan adanya kesenjangan dalam pelaporan, yang berdampak pada evaluasi dan pengembangan layanan kesehatan.
Untuk mengatasi masalah ini, penelitian terbaru memanfaatkan metode pembelajaran mesin (machine learning) untuk mengklasifikasikan status kualitas rumah sakit berdasarkan data indikator kualitas nasional. Dengan algoritme seperti linear discriminant analysis (LDA), logistic regression (LR), k-nearest neighbors (KNN), support vector machine (SVM), dan neural network (NN), data dari rumah sakit diproses untuk memberikan gambaran akurat tentang kualitas layanan masing-masing. Hasilnya, LDA terbukti menjadi algoritme terbaik dengan tingkat akurasi 71%, diikuti oleh LR dengan akurasi 70% dan SVM sebesar 68%.
Langkah pertama dalam penelitian ini adalah membersihkan data untuk memastikan akurasi analisis. Data indikator kualitas bulanan diubah menjadi rata-rata tahunan untuk memberikan gambaran yang lebih stabil. Indikator-indikator ini mencakup berbagai aspek seperti tingkat kepuasan pasien, angka infeksi nosokomial, waktu tunggu pasien, dan kepatuhan terhadap protokol medis. Proses ini memastikan bahwa hasil klasifikasi didasarkan pada informasi yang paling relevan dan bermakna.
Salah satu keunggulan menggunakan pembelajaran mesin adalah kemampuannya untuk mengidentifikasi pola dan hubungan yang mungkin tidak terlihat melalui analisis manual. Algoritme seperti LDA, misalnya, tidak hanya efektif untuk mengklasifikasikan data tetapi juga membantu mereduksi dimensi data, memungkinkan analisis yang lebih efisien. Sebaliknya, algoritme seperti decision tree (DT) dan Gaussian naïve Bayes (GNB) menunjukkan akurasi lebih rendah, masing-masing 41% dan 32%, karena keterbatasan dalam menangani data yang kompleks.
Temuan ini memberikan beberapa implikasi penting bagi sektor kesehatan di Indonesia. Pertama, penting untuk meningkatkan kepatuhan rumah sakit dalam melaporkan indikator kualitas. Dengan data yang lengkap, pemerintah dan penyelenggara layanan kesehatan dapat mengambil keputusan yang lebih tepat untuk memperbaiki kualitas layanan. Kedua, pemanfaatan teknologi seperti pembelajaran mesin dapat menjadi alat strategis dalam pengelolaan sistem kesehatan. Dengan kemampuan untuk memproses data dalam jumlah besar dan memberikan hasil yang akurat, teknologi ini dapat mendukung upaya peningkatan kualitas secara sistemik.
Selain itu, penelitian ini juga memberikan wawasan tentang bagaimana institusi kesehatan dapat meningkatkan transparansi dan akuntabilitas. Sebagai contoh, akurasi klasifikasi yang lebih tinggi dapat digunakan untuk mengidentifikasi rumah sakit yang membutuhkan intervensi mendesak, seperti pelatihan tambahan bagi staf medis atau perbaikan infrastruktur. Hal ini juga dapat mendorong budaya kompetisi sehat di antara rumah sakit untuk mencapai standar kualitas yang lebih baik.
Namun, ada tantangan yang harus diatasi. Sistem pelaporan data harus dirancang agar lebih sederhana dan mudah diakses oleh semua rumah sakit, termasuk rumah sakit kecil atau yang berlokasi di daerah terpencil. Selain itu, pelatihan mengenai pentingnya indikator kualitas perlu diberikan kepada manajemen rumah sakit dan tenaga kesehatan untuk meningkatkan kesadaran mereka tentang pentingnya pelaporan yang akurat.
Di masa depan, penggunaan data dan teknologi untuk meningkatkan kualitas layanan kesehatan harus terus dikembangkan. Dengan memanfaatkan pembelajaran mesin dan pendekatan berbasis data, Indonesia dapat membangun sistem kesehatan yang lebih tangguh dan responsif, tidak hanya untuk menghadapi pandemi tetapi juga untuk meningkatkan pelayanan kesehatan jangka panjang. Melalui langkah-langkah ini, diharapkan setiap rumah sakit di Indonesia mampu memberikan layanan yang berkualitas tinggi dan menjamin keselamatan pasien sebagai prioritas utama.
Penulis: Inge Dhamanti
Artikel lebih lanjut dapat dibaca di: http://doi.org/10.11591/ijece.v14i4.pp4365-4375
Baca juga: Pemanfaatan Indikator Trigger Insiden dalam Perawatan Primer untuk Meningkatkan Keselamatan Pasien
