Prediksi Musim Flu Dapat Lebih Akurat Dengan Akses ke Data Perusahaan Perawatan Kesehatan

ttcvc.com – Di era ketika perusahaan nirlaba mengumpulkan banyak data, penelitian baru dari The University of Texas di Austin menunjukkan bahwa data yang dikumpulkan oleh perusahaan perawatan kesehatan dapat lebih akurat jika tersedia bagi para peneliti dan lembaga kesehatan masyarakat. Misalnya dalam hal perkiraan kapan musim flu berikutnya akan mencapai puncaknya, berapa lama akan berlangsung dan berapa banyak orang akan jatuh sakit.

Di Amerika, musim flu menyebabkan ribuan kematian dan ratusan ribu rawat inap setiap tahun. Peramalan dapat meningkatkan pencegahan, perencanaan dan perawatan untuk mengurangi korban manusia dari influenza musiman dan pandemi yang parah.

Para peneliti selama bertahun-tahun telah mengembangkan model komputer untuk meramalkan seperti apa musim flu yang akan datang, tetapi hasilnya seringkali tidak terlalu akurat. Salah satu tantangan utama adalah memilih jenis data yang tepat untuk dimasukkan ke dalam model.

Profesor Lauren Ancel Meyers dan peneliti postdoctoral Zeynep Ertem telah mengembangkan metode untuk mengevaluasi ratusan set data untuk menemukan yang paling prediktif dan bagaimana menggabungkannya untuk mendapatkan perkiraan yang paling akurat. Dalam bahasa matematika, ini disebut masalah optimasi.

Dari lebih dari 600 set data terkait flu yang mereka evaluasi, mereka menemukan bahwa beberapa prediksi terbaik berasal dari catatan kesehatan elektronik yang dikumpulkan oleh athenahealth, sebuah perusahaan yang menyediakan layanan berbasis cloud untuk penyedia layanan kesehatan. Data ini, dikumpulkan di seluruh AS, termasuk informasi seperti berapa banyak pasien yang menerima vaksinasi flu, hasil tes flu positif dan resep terkait flu. Menggabungkan data athenahealth dengan data pengawasan tradisional yang dikumpulkan oleh Pusat Pengendalian dan Pencegahan Penyakit (CDC), yang masih merupakan data mandiri terbaik untuk prediksi, akan meningkatkan perkiraan. Prediksi 15 persen lebih akurat dengan kumpulan data gabungan ini dibandingkan jika hanya data CDC yang digunakan.

Baca Juga : 5 Manfaat Vitamin C untuk Kecantikan

Meskipun data athenahealth diberikan kepada The University of Texas di Austin untuk tujuan penelitian, sulit bagi para peneliti atau lembaga kesehatan masyarakat untuk mengakses data serupa dari perusahaan perawatan kesehatan secara berkelanjutan. Data dianggap eksklusif, dan Meyers berspekulasi bahwa masalah privasi harus dikerjakan bersama dengan biaya apa pun.

“Studi kami menunjukkan mungkin layak mencoba untuk menyeberang beberapa rintangan tersebut karena datanya bisa sangat kuat,” kata Meyers.

“Metode kami dapat diterapkan untuk setiap wilayah geografis dan banyak penyakit menular lainnya, termasuk virus yang ditularkan nyamuk seperti demam berdarah dan chikungunya,” kata Ertem.

Para peneliti menemukan bahwa set data yang paling prediktif adalah sumber pengawasan tradisional yang dikumpulkan dari seluruh AS oleh CDC. Satu, yang disebut CDC ILINet, melacak jumlah mingguan pasien yang mencari perawatan untuk penyakit seperti influenza, seperti yang dilaporkan oleh sampel penyedia layanan kesehatan. Yang lain mengumpulkan data dari lebih dari 400 laboratorium klinis di seluruh AS dan melacak persentase spesimen pernapasan yang dites positif influenza.

Meyers mengatakan dia berharap peneliti lain yang mengembangkan alat peramalan penyakit akan menerapkan wawasan ini dan metodologi baru mereka untuk meningkatkan akurasi dan ketepatan waktu prediksi.

“Pesannya adalah bahwa kita harus berpikir lebih sistematis tentang data yang memicu ramalan penyakit kita,” kata Meyers. “Dengan kombinasi data yang kuat – dan terkadang mengejutkan – kami dapat membuat prediksi sebelumnya dan lebih akurat tentang ancaman yang muncul.”

Pekerjaan ini dilakukan menggunakan superkomputer di UT Austin’s Texas Advanced Computing Center.

Penelitian ini didanai oleh Badan Pengurangan Ancaman Pertahanan (DTRA), bagian dari Departemen Pertahanan AS, dan Institut Nasional Ilmu Kedokteran Umum ‘Model Program Penyakit Menular (MIDAS) AS. Metode yang dikembangkan dalam penelitian ini telah dipasok ke DTRA’s Biosurveillance Ecosystem, sebuah sistem yang memungkinkan ahli epidemiologi memindai planet untuk anomali dalam prevalensi penyakit manusia dan hewan, memperingatkan pandemik yang datang dan melindungi para pejuang perang dan lainnya di seluruh dunia.