Pendahuluan

Konsep big data yang mendapatkan momentum di awal tahun 2000-an, sangat berterkaitan dengan data yang sangat besar dan kompleks. Penggunaan data yang besar dan kompleks tersebut, sulit bahkan tidak mungkin untuk diproses menggunakan metode tradisional. Konsep big data dilakukan organisasi dengan mengumpulkan data dari berbagai sumber, untuk dijadikan dasar dalam melakukan analisis. Hasil analisis tersebut akan bermanfaat bagi manajemen dan berbagai pihak lainnya.

Data merupakan salah satu hal yang penting di industri pelayanan kesehatan. Mengumpulkan berbagai data industri pelayanan kesehatan ke dalam big data, akan sangat bermanfaat baik bagi masyarakat/pasien, maupun bagi organisasi pelayanan kesehatan itu sendiri.

Big Data  & Predictive Analytics

Penggunaan big data, dapat membantu organisasi pelayanan kesehatan dalam melakukan analisis predijtif. Menurut Kamani[1], alat analitik data besar dan repositori menghasilkan wawasan yang andal dan kalkulatif dari volume data ini dalam durasi yang sangat singkat. Melalui data yang digabungkan data dari berbagai sumber (seperti RS, apotek, asuransi dan bahkan individu), akan dapat dilakukan  analisis untuk mendapatkan hasil yang berarti. Hal ini akan menghasilkan hasil perawatan kesehatan yang lebih baik dengan biaya yang lebih rendah. Kamani selanjutnya menggambarkan beberapa pengembagan big data dalam organisasi pelayanan kesehatan di masa depan.

1. Incorporation of medical devices data. Data yang dikumpulkan dari berbagai perangkat kebugaran dan perangkat yang dapat dikenakan, akan digunakan untuk memberikan perawatan yang disesuaikan dengan bertindak sebagai kotak alat diagnostik dan juga melakukan analisis prediktif mengenai kecenderungan dan pola penyakit di berbagai demografi populasi.
2. Precision medicine and research. Big data akan memberikan dorongan untuk penelitian dalam pengobatan presisi yang menghasilkan perawatan khusus pasien dan perubahan sikap medis dari fokus pada massa menjadi individu. Hal ini akan menghasilkan profil pasien yang lebih baik dan pembentukan model prediksi yang efisien untuk setiap pasien.
3. Lowering of costs and workflow optimization. Penggunaan analisis prediktif pada kelompok populasi pasien dapat membantu dalam estimasi risiko. Hal ini akan menghasilkan penentuan yang akurat dari rencana perawatan yang harus diikuti.
4. Real-time control of infections. Google telah meluncurkan tren flu pada tahun 2008. Meskipun ini adalah konsep yang hebat, namun gagal karena perbedaan dalam data yang dikumpulkan. Dengan kemajuan dalam big data selama dekade terakhir, organisasi pelayanan kesehatan sekarang dapat memanfaatkan data pasien yang dikumpulkan dengan cara yang efektif untuk memprediksi zona berisiko tinggi untuk infeksi dan epidemi. Pengumpulan data tentang indikator umum infeksi, seperti sepsis tidak hanya membantu mengidentifikasi kasus-kasus berisiko tinggi infeksi, tetapi juga dapat membantu membuat RS menjadi tempat yang lebih aman bagi pasien dan membantu meningkatkan hasil akhir pasien.