Machine Learning Efektif Sebagai Alat Pendukung Layanan Medis Darurat

Liputan6.com, Jakarta - Sebuah studi terkini yang terbit di Health Data Science, sebuah Jurnal Science Partner, telah menunjukkan keefektifan machine learning model sebagai alat pendukung keputusan bagi petugas layanan medis darurat di Singapura.

Model itu telah menghasilkan peningkatan kualitas triase dan pemanfaatan ambulans, sehingga memberikan terobosan yang signifikan di lapangan.

Meskipun sudah ada protokol untuk memandu pengambilan keputusan, petugas operator layanan medis darurat sering kali menghadapi tantangan dalam menentukan ketajaman suatu kasus karena terbatasnya informasi yang diperoleh selama panggilan singkat.

Hal ini dapat mengganggu kualitas triase dan pemanfaatan sumber daya, sehingga menjadi masalah besar di kota-kota dengan populasi yang terus bertambah dan menua serta armada ambulans yang tidak proporsional.

Namun, machine learning model memiliki potensi untuk menangkap hubungan yang kompleks dan halus, dan model data yang terlatih dengan baik dapat memberikan prediksi yang akurat dalam hitungan detik. Para peneliti di National University of Singapore (NUS) bertekad untuk memanfaatkan potensi ini untuk meningkatkan triase pengiriman ambulans.

"Kami bertekad untuk memecahkan masalah triase pengiriman ambulans yang memiliki terlalu banyak triase berlebihan, yang dapat mengakibatkan kepadatan di Unit Gawat Darurat dan pemborosan sumber daya ambulans," ujar Han Wang, seorang peneliti di NUS. "Sangat mungkin untuk menggunakan machine learning untuk meningkatkan kinerja triase di antara spesialis pusat panggilan."

Tim peneliti mengumpulkan data dari 360.000 kasus dari Pusat Panggilan Darurat Nasional di Singapura antara tahun 2018 dan 2020 untuk mengembangkan machine learning model yang dapat memprediksi ketajaman kasus-kasus darurat.

Dengan menggunakan informasi serupa yang tersedia untuk petugas operator, model yang dilatih mampu menunjukkan penurunan 15 persen dalam tingkat triase yang berlebihan dan tingkat triase yang kurang dibandingkan dengan sistem triase saat ini.

Penelitian ini berbeda dari penelitian sebelumnya karena menampilkan metodologi yang kuat untuk mengembangkan model pembelajaran mesin untuk mengoptimalkan triase ambulans, sehingga meningkatkan kemampuan petugas operator untuk mengenali serangan jantung.

Tim peneliti berharap bahwa penelitian ini akan menginspirasi lebih banyak penelitian ke arah ini dan berfungsi sebagai peta jalan untuk sistem layanan medis darurat lainnya di seluruh dunia.

"Langkah kami selanjutnya adalah mengimplementasikan sistem ini di dunia nyata dan membandingkan kinerjanya dengan kelompok kontrol," kata Mengling Feng, Asisten Profesor di NUS. "Ini adalah penelitian pertama yang mengoptimalkan triase ambulans dengan pembelajaran mesin, dan kami sangat senang melihat potensinya untuk menyelamatkan nyawa."

Tim peneliti menyatakan terbuka untuk membagikan rincian protokol dan data berdasarkan permintaan, dengan persetujuan dari sistem layanan medis darurat di Singapura.