INTEGRASI DATA MEDIS DENGAN LOINC
Logical Observation Identifiers Name and Codes (LOINC) adalah sebuah standarisasi dari data laboratori (medikal). Standarisasi ini memungkinkan integrasi data dari berbagai macam laboratori sedemikian sehingga dapat digunakan oleh publik dengan mudah. Kumpulan dari data tes laboratori ini juga disediakan dalam sebuah database yang dapat diakses secara gratis oleh semua pihak. Database ini disediakan pada web LOINC.
Awal mulanya LOINC diciptakan didasari pada kebutuhan yang tinggi akan data dari berbagai laboratori untuk meningkatkan pelayanan kesehatan, yang pada akhirnya berujung pada peningkatan taraf kesehatan masyarakat. Akan tetapi, data tersebut bervariasi antar laboratori dikarenakan masing-masing laboratori pada dasarnya bersifat independen. Sehingga tidak ada keharusan untuk sebuah laboratori bekerja sama dengan laboratori lain untuk mengintegrasikan data mereka.
Tetapi dengan meningkatnya kebutuhan akan data ini, pada tahun 1994, LOINC diciptakan oleh Regenstrief Institute dengan tujuan membuat sebuah database yang dapat menyatukan semua data laboratori yang ada. Oleh karena itu, LOINC menjadi salah satu patokan standarisasi data laboratori. Hingga saat ini, semakin banyak laboratori yang mengikuti format dari LOINC, dan sudah terdapat 90.000 lebih data yang terkumpul pada database LOINC versi terbaru (21 Juni 2019).
Permasalahan ini pada dasarnya mirip dengan salah satu topik IT yang sedang populer beberapa tahun terakhir ini, yaitu Big Data. Adanya variasi sumber data beserta dengan formatnya, dan pada mulanya data laboratori tersebut hanya disimpan oleh masing-masing laboratori. Apabila kita ingin melakukan Big Data pada dunia medikal, tentunya akan menantang dikarenakan oleh variasi tersebut. LOINC sebagai standarisasi data membantu dan mempermudah Big Data dalam dunia medikal, khususnya pada laboratori. Beberapa standarisasi data laboratori lain yang dapat digunakan adalah Human Genome Variation Society (HGVS) dan HL7 Fast Healthcare Interoperability Resources (FHIR).
Akan tetapi, meskipun terdapat LOINC bukan berarti Big Data pada dunia medikal dapat berlangsung dengan mudah. Hal ini dikarenakan data medikal yang dibutuhkan tidak hanya dari data laboratori saja. Data medikal ini dapat bervariasi dari data pasien pada umumnya hingga analisa metabolisme dan data sekuens DNA. Menurut Singh (2019), tipe-tipe informasi yang dibutuhkan pada dunia medikal adalah sebagai berikut: Laboratory, Medication, Diagnosis, Radiology, Pathology, Clinical evidences and outcomes, dan Procedures. Meskipun masing-masing bagian memiliki standarisasi nya sendiri-sendiri, akan tetapi variasi nya tetap saja masih tergolong banyak. Selain itu, belum semua sumber data medikal tersebut mengikuti standarisasi yang ada. Sumber-sumber data ini dinamakan Electronic Health Record (EHR). Setelah data-data tersebut dikumpulkan, dapat dilakukan clinical informatics tools yang ada seperti Natural Language Processing (NLP), Computer Vision, Machine Learning, dan Disease Phenotyping (observasi karakteristik dari sebuah penyakit) dengan akurasi yang tinggi. Pada penelitian Singh, hal yang paling susah dalam Big Data di dunia medikal adalah mengintegrasikan data yang sangat bervariasi ini dan menjadikannya berguna.
Sistem yang mendasari Big Data dalam dunia medikal ini oleh Institute of Medicine (IoM) dinamakan Learning Healthcare System (LHS). Pada tahun 2014, Professor Friedman dari University of Michigan mengusulkan sebuah siklus dari LHS sebagai berikut:
Pertama, mengumpulkan data medikal dari berbagai sumber. Kedua, dilanjutkan dengan menganalisa data yang ada. Ketiga, mencari tahu hal baru dari analisa data yang ada. Keempat, memberikan umpan balik berdasarkan hal baru yang kita peroleh. Kelima, perbaikan dalam praktik medikal yang ada, mengikuti umpan balik yang telah diberikan. Perbaikan tersebut diterapkan dan menghasilkan sumber data yang baru, sehingga proses ini membentuk sebuah siklus.
Akan tetapi, sering kali yang terjadi pada kenyataan, siklus ini tidak berlangsung dengan baik. Setelah kita memperoleh hal baru yang didapatkan dari riset tersebut, hasil terebut tidak menjadi umpan balik ke dunia medikal secara langsung, melainkan menjadi sebuah paper yang kemudian dikumpulkan ke jurnal. Meskipun penambahan ilmu pengetahuan merupakan hal yang baik secara umum, namun proses ini dirasa masih terlalu lambat. Hal ini dikarenakan masing-masing LHS kecil berjalan sendiri-sendiri. Sedangkan apabila satu komunitas penuh bergabung menjadi sebuah LHS yang satu, maka proses perkembangan akan berlangsung lebih cepat dan lebih murah. Satu kalimat yang dikutip dari presentasi Professor Friedman: “Big Data to Knowldge. And then what?”
Diambil dari slideshow presentasi dari Professor Friedman (2014).
Oleh karena itu dibutuhkan sebuah platform yang mendukung kebutuhan ini. Dan inilah mengapa ada EHR, dan LOINC termasuk salah satunya. EHR berperan memberikan data medikal pada proses pengumpulan data pada LHS ini, sehingga LHS dapat berlangsung dengan mudah dan cepat. Hal ini juga meringankan biaya riset, yang pada akhirnya meningkatkan kualitas pelayanan kesehatan secara utuh.
Kesimpulannya, Big Data pada dunia medikal sebenarnya dapat dilakukan secara langsung kapanpun saja. Hanya saja akan memakan biaya dan waktu yang sangat tinggi. Salah satu masalah yang ada adalah sumber data yang sangat bervariasi dan berasal dari berbagai macam tempat. Oleh karena itu dibutuhkan sebuah standarisasi data-data medikal tersebut dan dapat diakses secara publik dengan gratis. Dengan ini, Big Data pada dunia medikal dapat berlangsung dengan lebih cepat dan murah, sehingga dapat meningkatkan kualitas pelayanan kesehatan yang ada. Salah satu standarisasi data yang ada adalah LOINC, yang merupakan standarisasi data medikal dari testing pada laboratori. Selain menyediakan standarisasi data, LOINC juga menyediakan database yang berisi data-data laboratori tersebut, sehingga dapat diakses oleh publik dengan gratis.
(Yesun, Lie Maximilianus, Herman, Narada)
Referensi:
Friedman, Charles P. 2014. Toward Complete & Sustainable Learning Systems. University of Michigan. (https://medicine.umich.edu/sites/default/files/2014_12_08-Friedman-IOM%20LHS.pdf)
Singh, S. (2019). Big Data Meets Real World! The Use of Clinical Informatics in Biomarker Research. In Biomarkers in Inflammatory Bowel Diseases (pp. 345-352). Springer, Cham.