Prediksi Lama Rawat Pasien Covid-19 Berbasis Machine Learning

Abstract

Pandemi Corona Virus Disease 19 (COVID-19) telah menjadikan ancaman kesehatan yang berdampak secara global. Penyebaran virus covid-19 yang sangat cepat di indonesia khususnya DKI Jakarta yang merupakan salah satu provinsi yang paling banyak melaporkan kasus covid terbanyak, mengakibatkan kebutuhan akan ruang perawatan di Rumah Sakit meningkat secara drastis melampaui kapasitasnya. Tujuan kami adalah untuk mengembangkan suatu model yang dapat melakukan prediksi seberapa Lama pasien mendapat perawatan di Rawat Inap dengan target " LOS Panjang > 10 Hari dan LOS Pendek <= 10 hari" serta mengidentifikasi faktor-faktor yang mempengaruhi lama perawatan, seperti data demografi, data penunjang dan data asesment dimana data-data tersebut seluruhnya berasal pada saat pasien berada di IGD. Data dikumpulkan dari salah satu RS Khusus Covid-19 di daerah Jakarta Selatan yaitu RSUD Pasar Minggu, dimana data yang diseleksi adalah seluruh pasien-pasien yang hasil PCR Test nya positif periode tahun 2020-2022. Kami mengimplementasikan empat model machine learning, yaitu K-Nearest Neighbor (KNN), Super Vector Machine (SVM), Random Forest (RF) dan Gradient Boosting (GB) di berbagai tahapan pemrosesan data untuk memprediksi lama rawat inap pasien covid-19 dengan dua kategori LOS Pendek dan LOS Panjang. 
 Data yang di train mencakup 1.564 pasien covid-19 yang hasil PCR nya positif dengan lama perawatan yang diketahui sebelumnya, dan 10 variabel input yang signifikan berpengaruh di masukkan. Model RF merupakan model yang memiliki test score tertinggi yaitu 73.3% dibanding dengan model KNN, SVM dan GB dimana masing-masing memiliki nilai test score 72.3%, 71.3% dan 71.35% dalam mengklasifikasi LOS Rawat Inap pasien covid-19. Penelitian ini mengidentifikasi faktor-faktor yang akan mempengaruhi Lama Perawatan dari pasien covid-19 berdasarkan kombinasi dari demografi pasien, asesmen pasien, dan hasil penunjang Laboratorium atau Radiologi. Model Prediksi yang dikembangkan dapat berfungsi sebagai alat pendukung untuk para petugas medis dan stake holder untuk membuat keputusan dalam memaksimalkan pemanfaatan ruang rawat dan pemanfataan sumber daya dari Rumah sakit.