Smart HealthCare(Tian et al., 2019) terdiri dari beberapa pengguna, seperti dokter dan pasien, rumah sakit, dan lembaga penelitian. Ini adalah keseluruhan organik yang melibatkan berbagai dimensi, termasuk pencegahan dan pemantauan penyakit(Ali et al., 2020), diagnose dan treatment, manajemen rumah sakit, pembuat keputusan medis, dan penelitian medis. Teknologi yang digunakan dalam melakukan itu semua mengandalkan kemampuan IoT(Nancy et al., 2022), internet mobile application, cloud computing, big data, 5G, microelectronics, kecerdasan buatan, dan bioteknologi/ Teknologi ini banyak digunakan dalam semua aspek Smart Health Care.
A. Wearable Multimodal Sensors
Dari sudut pandang pasien, mereka dapat menggunakan perangkat yang dapat dikenakan di tubuh (Wearable device)(Banerjee et al., 2020) untuk memantau kesehatan mereka setiap saat, mencari bantuan medis melalui asisten virtual, dan menggunakan remote jarak jauh untuk mengimplementasikan layanan jarak jauh; dari perspektif dokter, berbagai kecerdasan dalam sistem pendukung keputusan klinis digunakan untuk membantu dan meningkatkan diagnosis(Ali et al., 2020).
Ada 6 tanda vital dalam tubuh pasien yang biasanya diperiksa karena akan menjadi alat ukur kebijakan dari Tindakan pengobatan yang dilakukan oleh dokter yaitu:
1. Tinggi badan
2. Berat badan
3. Heart Rate
4. Blood Rate
5. Respirasi
6. Temperatur
B. Arsitektur Smart Health Care
Dalam arsitektur smart health care yang akan dibangun, ada beberapa komponen yaitu:
- Komponen penginderaan: Dengan menggunakan elemen Penginderaan ini, ia merasakan informasi kondisi kesehatan pengguna secara terus menerus dengan menempatkan perangkat penginderaan di dalam tubuh pasien. Selain itu, perangkat ini mengumpulkan data dinamis pasien yang diperbarui dan meneruskannya ke dedicated server yang akan membantu pemrosesan query secara real-waktu analitik data besar.
- Pusat Big Data: yang menghasilkan penyimpanan dan pemrosesan data yang dikumpulkan dari berbagai sumber
- Pusat Investigasi: Dalam proses ini dokter secara langsung berkomunikasi dengan pasien dan bertanya, memanggil pasien data di pusat investigasi tergantung pada kueri, dan analitik jenis dan alarm akan dihasilkan, dan pesan akan diteruskan ke Pusat Investigasi
- Sistem Perawatan Kesehatan: dalam Health Care System, dokter memutuskan berdasarkan jenis alarm dan menyarankannya kepada sistem yang sesuai sistem perawatan kesehatan untuk perawatan yang lebih baik, kemudian sistem merespons permintaan dokter
- Aplikasi Kontrol: aplikasi kontrol ini membantu untuk mengkonsolidasikan informasi dengan dokter dan master informasi (dari segmen sistem healthcare), dokter dapat memilih untuk mengirim beberapa pilihan ke segmen kontrol/aktivasi.
Gambar 1 Arsitektur Smart Health Care(Saidulu and Sasikala, 2017)
C. Big Data Smart Health Care
Evolusi teknologi big data membuka cakrawala baru di bidang medis seperti Healthcare Intelligence (HI). Big data analytics menawarkan pandangan komprehensif dari gambaran keseluruhan sebagai konsekuensi dari pemrosesan data dari berbagai sumber. Big Medical DataPath (BMDP) dengan tingkatan yang berbeda dirancang seperti yang ditunjukkan pada Gambar. 2
Gambar 2 Big Medical Data Path(Kumari and Dr.K., 2018)
I. Health profiling dengan machine learning
A. Faktor Keamanan Data
Banyaknya data yang akan keluar masuk dalam cloud, menyebabkan rendahnya konektivitas dan network congestion. Huera Canepa dan Lee memberikan solusi model diskoneksi pada cloud pusat sebelumnya dan menemukan koneksi cloud yang terdekat dari pasien. Setelah itu, provider dari pasien akan berganti namun data akan tetap masuk di dalam sensor device yang digunakan oleh pasien. Setelah data masuk, maka data ini akan menjadi masukan untuk pelatihan health profiling dari machine learning di Vidyamedic. Berikut penggambaran data flow setelah adanya analitik dan integrasi wearable sensor.
Masalah utama dalam penggunaan teknologi ini adalah keamanan data. Zhang dkk mencoba memecahkan masalah ini. Ia mengusulkan sistem jaringan multi-hop berbasis Wi-Fi yang disebut MoNet dan protokol untuk didistribusikan berbagi konten jika layanan tidak tersedia. Setiap node yang bergerak bertindak sebagai distributor pesan yang berisi info tentang status perangkat seperti konektivitas, penyimpanan, dan lain-lain, secara teratur.
Pada pemberitahuan rutin seperti itu, node dapat mengidentifikasi node lain di sekitarnya dengan nilai terendah dan lompatan sumber daya tertinggi(Nathanael et al., 2020)
gambar 3 flow data setelah analisis dalam wearable sensor
B. Machine Learning Multimodal Sensor
Dari 6 sensor yang menjadi input electronic healthrecord Vidya Medic, maka input tersebut menjadi masukan untuk menyimpulkan kondisi Kesehatan pasien.
Gambar 3 enam sensor yang diinputkan ke VidyaMedic
II. INDIVIDUAL HEALTH PROFILING DALAM TATARAN PROBLEM SOLVING
Tataran problem solving adalah sebuah representasi framework yang terdiri dari 4 tahapan (layer ). Masing-masing layer terdiri dari aktivitas, tools, technology dan user.
1.Tataran Aplikasi Instrumentasi, yaitu ketika informasi dari dunia nyata didigitalisasi. Pada tataran ini, citra x-ray hasil paparan sinar-x yang menembus dada manusia yang diduga terkena penyakit akan discan dan dibentuk dalam bentuk file gambar
2.Tataran Aplikasi Sistem Informasi, yaitu ketika informasi dari tataran aplikasi instrumentasi bukan hanya digunakan dalam situasi sesaat namun dikumpulkan secara terstruktur dan sistematis dalam domain waktu (historikal) maupun dalam domain spasial sehingga dapat ditampilkan maupun diolah secara lebih kaya dan berarti bagi pengguna. Dalam tataran ini, radiolog akan menggunakan website yang telah dibangun tersebut secara berkala sehingga memberikan input data yang dapat memperkaya informasi untuk mengembangkan pengetahuan yang telah dimiliki sebelumnya.
3.Tataran Aplikasi Sistem Business Intelligence, yaitu ketika informasi yang diperoleh dari tataran aplikasi sistem informasi dikelola pada skala lebih masif untuk mendapatkan gambaran dan insight yang lebih kaya, lebih beragam serta lebih dalam dari yang dapat diperoleh pada skala tatanan aplikasi sistem informasi sehingga dapat membantu pengguna untuk mengambil keputusan yang lebih tepat sasaran. Tataran ini biasanya telah melibatkan pengolahan pada jumlah data yang sangat masif (Big-Data), penggunaan model matematika dan konsep pemodelan yang lebih eksplisit (Modeling & Simulation) serta penggunaan algoritma- algoritma Machine Learning yang canggih.
4.Tataran Aplikasi Sistem Gamifikasi, yaitu ketika semua besaran metadata yang dapat disimpulkan dari tataran aplikasi Sistem Business Intelligence dikelola dan diproses dengan melakukan rekayasa pada perilaku pengguna sistem agar sistem mencapai KPI tertentu.
gambar 4 Tataran Problem Solving 4 layer
A. Layer 1
Smart HealthCare VidyaMedic adalah infrastruktur layanan kesehatan cerdas yang menggunakan sensor untuk memahami informasi, mengirimkan informasi melalui internet of things (IoT) di dalam layer 1, dan memproses formasi informasi menggunakan superkomputer dan komputasi awan.
B. Layer 2
Di dalam smart healtcare, pasien dan dokter dapat berkoordinasi dalam sistem sosial dan mengintegrasikannya untuk mewujudkan kesembuhan atau kesehatan yang paripurna dengan menyesuaikan kebutuhan individu secara cerdas. Smart Healthcare akan menghubungkan orang, materi, dan berbagai institusi yang terkait dalam layanan kesehatan, dan kemudian secara aktif mengelola dan merespons kebutuhan ekosistem dengan cara yang cerdas di layer ke-2
C. Layer 3
Smart Healthcare dapat mempromosikan interaksi antara semua pihak di bidang kesehatan, memastikan bahwa pengguna mendapatkan layanan yang mereka butuhkan, melakukan pengaturan kebutuhan pengobatan sesuai anjuran dokter, dan bahkan memberikan rekomendasi aktivitas fisik untuk membantu para pihak membuat keputusan yang tepat, dan memfasilitasi alokasi sumber daya yang terukur pada layer ketiga.
D. Layer 4
Smart Healthcare dapat memberikan kesimpulan data Kesehatan dari seluruh data pasien dalam satu zona yang sama. Kesamaan penyakit, kesamaan diagnosis dan kesamaan pengobatan akan memberikan sebuah representasi data dengan hasil yang berbeda. Data-data ini akan digunakan untuk mempelajari prediksi penyakit yang kemungkinan akan timbul baik secara komunitas ataupun secara individu.
Gambar 5 Rencana Framework VidyaMedic yang akan diterapkan pada 4 layer tataran problem solving