Abstrak: Penggunaan metode pembayaran DRG diperkenalkan pertama kali di Amerika Serikat tahun 1984 yang bertujuan untuk mengendalikan biaya kesehatan, memudahkan administrasi, dan meningkatkan mutu pelayanan. Namun dalam penerapannya timbul dampak yang tidak diinginkan salah satunya adalah readmisi. Sebagai salah satu negara yang menerapkan metode pembayaran DRG, Indonesia memiliki risiko yang sama akan terjadinya readmisi. Penelitian ini bertujuan untuk mengetahui gambaran kejadian readmisi di berbagai negara. Penelitian dilakukan dengan menggunakan metode literature review yang diperoleh dari 5 online database yaitu JSTOR, ProQuest, PubMed, ScienceDirect, dan Scopus. Terdapat 54 studi yang terpilih dalam penelitian ini. Hasil menunjukkan terdapat tiga kriteria definisi readmisi di berbagai negara yaitu rentang waktu 30 hari setelah kepulangan, kode diagnosis primer untuk mendeteksi kasus readmisi, dan perawatan yang dilakukan di rumah sakit yang sama. Tingkat readmisi terendah ditemukan pada studi yang dilakukan di Taiwan dengan tingat readmisi sebesar 1,23%. Sedangkan tingkat readmisi tertinggi ditemukan pada studi yang dilakukan di Brazil dengan tingkat readmisi sebesar 42,6% Ditemukan 16 faktor yang berpotensi berhubungan dengan readmisi dan 6 diantaranya menunjukkan hubungan yang bermakna yaitu usia, jenis kelamin, status sosioekonomi, komorbiditas, length of stay, dan jarak rumah sakit. Untuk mengurangi readmisi, upaya yang dilakukan di negara Taiwan dan Amerika Serikat adalah dengan melakukan evaluasi terhadap kinerja rumah sakit dengan pengukuran tingkat readmisi dan pengenaan sanksi finansial bagi rumah sakit yang terbukti melakukan readmisi.

---

The use of the DRG payment method was first introduced in the United States in 1984 which aims to control health costs, facilitate administration, and improve service quality. However, in its application, unwanted impacts arise, one of which is readmission. As one of the countries that implement the DRG payment method, Indonesia has the same risk of readmission. This study aims to determine the description of readmissions in various countries. The study was conducted using the literature review obtained from 5 online databases, namely JSTOR, ProQuest, PubMed, ScienceDirect, and Scopus. There are 54 studies selected in this study. The results showed that there were three criteria for the definition of readmission in various countries, namely the period of 30 days after discharge, the primary diagnosis code to detect readmission cases, and treatment carried out in the same hospital. The lowest readmission rate was found in a study conducted in Taiwan with a readmission rate of 1.23%. While the highest readmission rate was found in a study conducted in Brazil with a readmission rate of 42.6%. There were 16 factors potentially related to readmission and 6 of them showed a significant relationship, namely age, gender, socioeconomic status, comorbidities, length of stay, and hospital distance. To reduce readmissions, efforts made in Taiwan and the United States are to evaluate hospital performance by measuring readmission levels and imposing financial sanctions for hospitals that are proven to have readmissions.

Abstrak:

Abstrak: ABSTRAK Nama : Indra Yoga Program Studi : Ilmu Kesehatan Masyarakat Judul Tesis : Analisis Potensi Readmisi Pasien Jaminan Kesehatan Nasional Rawat Inap dengan Kode Casemix Main Group I di Rumah Sakit DKI Jakarta Tahun 2014 xviii+134 halaman, 28 tabel, 9 gambar, 1 lampiran Readmisi merupakan kriteria penting dalam sistem pelayanan kesehatan, yakni sebagai indikator kualitas layanan dan efisiensi biaya rumah sakit. Penelitian ini bertujuan menganalisis hubungan antara variabel karakteristik pasien (usia dan jenis kelamin), variabel klinis (lama hari rawat dan tingkat keparahan penyakit) dan variabel rumah sakit (kepemilikan dan tipe kelas rumah sakit) yang berhubungan dengan tingkat potensi readmisi pasien JKN Rawat Inap dengan Kode CMG I di Rumah Sakit Wilayah DKI Jakarta tahun 2014. Desain penelitian yang digunakan adalah studi potong lintang. Penelitian ini menggunakan dua data sekuder, yaitu klaim pasien JKN di Rumah Sakit tahun 2014 dan sebagai tambahan menggunakan data pasien JKN di Rumah Sakit tahun 2014. Lokasi penelitian dilakukan pada seluruh Rumah Sakit yang bekerjasama dengan program JKN di wilayah DKI Jakarta. Hasil penelitian menunjukkan dari 6 (enam) variabel yang diteliti hanya 4 (empat) variabel yang berhubungan signifikan yaitu variabel usia, tingkat perubahan keparahan penyakit, lama hari rawat, kepemilikan Rumah Sakit. Variabel jenis kelamin tidak berhubungan terhadap potensi readmisi. Pada variabel Usia menunjukkan koefisien negatif yang berarti bahwa semakin bertambahnya usia, potensi readmisi semakin rendah. Pada variabel lama hari rawat menunjukkan koefisien positif, berarti bahwa semakin kecil lama hari rawat, peluang potensi readmisi semakin tinggi. Pada variabel tipe kelas Rumah Sakit menunjukkan koefisien positif, berarti semakin rendah tipe kelas Rumah Sakit, peluang untuk risiko potensi readmisi semakin tinggi. Secara uji multivariat, variabel terkuat yang berhubungan dengan tingkat potensi readmisi adalah kepemilikan Rumah Sakit, dimana Kepemilikan Rumah Sakit merupakan variabel yang paling dominan berhubungan dengan potensi readmisi dengan OR = 2 dan hasil estimasi diperoleh nilai koefisien positif, artinya pasien yang berasal dari rumah sakit swasta berpeluang 2 kali berpotensi readmisi setelah dikontrol dengan variabel usia pasien, dan lama hari rawat inap. Kata kunci: Readmisi, Rumah Sakit, JKN ABSTRACT Name : Indra Yoga Study Program : Public Health Science Title : Potential Analysis Readmission National Health Insurance Patient Hospitalization with Casemix Main Group Code I in Hospitals DKI Jakarta 2014 xviii+134 pages, 28 tables, 9 pictures, 1 attachments Readmission is an important criterion in the healthcare system, which is an indicator of the quality of service and cost efficiency of the hospital. This study aims to analyze the relationship between the variables of patient characteristics (age and gender), clinical variables (length of stay and level of severity) and the variable hospitals (ownership and type of hospital class) related to the potentially readmission patients JKN Hospitalization with Code I CMG Regional Hospital in Jakarta in 2014. the design study is a cross-sectional study. This study uses data from two secondary data, which claims JKN patients in the hospital in 2014 and in addition to using Data Provider (Hospital) in 2014. The research location is on the whole hospital in cooperation with JKN program in Jakarta. The results showed than six (6) variables examined only four (4) significant variables related to the variable age, the rate of change in disease severity, length of stay, hospital ownership. Gender variable is not related to the potentially readmission. At the age variable indicates negative coefficient means that as we grow older, the lower the potentially readmission. In the variable length of stay showed a positive coefficient, meaning that the smaller the length of stay, the higher the potentially readmission. In class type Hospital variable showed a positive coefficient, meaning the lower the class type Hospital, opportunities for higher readmission potentially risks. In multivariate analysis, the variables strongest related to the level of potentially readmission is proprietary Hospital, where private Hospital is the most dominant variable related to potentially readmission with OR = 2 and the estimated values obtained positive coefficient, meaning that patients from private hospitals 2 times the chance of potentially readmission after controlling for the variables age of the patient, and long days of hospitalization. Keywords: Readmission, Hospitals, JKN

Abstrak:

Latar Belakang Gagal jantung adalah kondisi kronis dan progresif, dengan prevalensi di dunia 1-3% dan di Indonesia 5% (peringkat ke 4 di dunia) dengan kematian 50% dalam 5 tahun. Angka readmisi dalam 90 hari adalah 50%-75% dan dalam 30 hari 2-3%, sedangkan di Indonesia angka readmisi dalam 30 hari adalah 17%. Biaya rawat inap gagal jantung dapat mencapai empat ratus juta rupiah per pasien per tahun. Data BPJS Kesehatan 2018 terdapat 130.275 kejadian rawat inap tingkat lanjut pasien gagal jantung kongestif dan berdasarkan tarif JKN 2023 perkiraan biaya rawat inapnya akan berkisar antara 379 milyar sampai 4,2 triliun rupiah. Dengan memanfaatkan teknologi kekinian dari Artificial Intelligence dan kapabilitas serta kebiasaan masyarakat paska pandemi Covid-19, penelitian ini membuat model prediksi berbasis machine learning dengan menemukan faktor-faktor risiko yang dapat menjadi prediktor rawat inap berulang, yang kemudian diimplementasikan di dalam prototype yang digunakan dalam kolaborasi antara penyedia layanan kesehatan dengan pasien yang turut terlibat melakukan monitoring mandiri sehingga dapat mempertahankan kualitas hidupnya dan mengendalikan biaya perawatan baik yang dibayarkan oleh pasien sendiri, menggunakan asuransi ataupun dengan pendanaan pemerintah. Metode Penelitian ini terdiri atas beberapa tahap, dengan studi kuantitatif dan kualitatif menggunakan data rekam medis pasien gagal jantung di Rumah Sakit Jantung dan Pembuluh Darah Harapan Kita, Jakarta. Dimulai dengan Systematic Literature Review untuk menemukan faktor risiko rawat inap berulang di rumah sakit dan untuk menemukan novelty, pemodelan prediksi dengan studi kohort retrospektif, analisis kebutuhan sistem dengan studi kualitatif, pengembangan prototype, dan uji prototype dengan studi kohort prospektif. Hasil Systematic Literature Review tentang prediktor readmisi gagal jantung dengan machine learning dari PubMed, Science Direct, ProQuest, Scopus, Embase, google scholar menghasilkan 19 artikel terseleksi. 13 studi berasal dari USA, tidak ditemukan studi serupa di Indonesia, dengan algoritma terbaik adalah Neural Network. Pada tahap pemodelan prediksi diperoleh 2738 data pasien gagal jantung paska rawat inap di RS Jantung dan Pembuluh Darah Harapan Kita Jakarta, dengan ketersediaan 64 variabel. Dengan Orange Data Mining, terseleksi sebanyak 31 features. Model terbaik menggunakan Random Forest, dengan AUC 0,976, CA 0,912, F1 0,912, Precision 0,916 dan Recall 0,912, diimplementasikan dalam prototype aplikasi Fineheart dengan fitur aplikasi profil pasien, dashboard, catatan harian jantungku, penilaian kualitas hidup, rencana kontrol, instruksi medis dan obat, catatan asupan makanan dan cairan, edukasi, konsultasi. Uji efikasi prototype menunjukkan angka readmisi pada kelompok intervensi (20%), lebih rendah daripada kelompok kontrol (43,3%). Perubahan signifikan terjadi pada 2 parameter KCCQ yaitu Quality of Life (p=0,029) dan Overall Summary Score (p=0,001). Tingkat kepatuhan menggunakan prototype aplikasi juga berpengaruh signifikan terhadap kedua parameter tersebut dan mencegah readmisi. Kesimpulan Model prediksi readmisi pasien gagal jantung dengan machine learning yang diimplementasikan ke prototype aplikasi dapat digunakan untuk monitoring di rumah untuk mencegah readmisi dan mempertahankan kualitas hidup.

---

 

Background Heart failure is a chronic and progressive condition, with a prevalence in the world of 1-3% and in Indonesia 5% (ranked 4th in the world) with a mortality of 50% within 5 years. The readmission rate in 90 days is 50%-75% and in 30 days it is 2-3%, while in Indonesia the readmission rate in 30 days is 17%. The cost of hospitalization for heart failure can reach four hundred million rupiah per patient per year. The government health insurance of Indonesia (BPJS Kesehatan) data for 2018 shows 130,275 advanced hospitalizations for congestive heart failure patients and based on the 2023 tariff, the estimated cost of hospitalization will range from 379 billion to 4.2 trillion rupiah. By utilizing the latest technology from Artificial Intelligence and the capabilities and habits of society after the Covid-19 pandemic, this research creates a machine learning-based predictive model by finding risk factors that can lead to hospital readmission, which are then implemented in the prototype that is used in collaboration between health care providers with patients who are also involved in conducting self-monitoring so that they can maintain their quality of life and control the costs of care whether paid by the patient himself, using insurance or with government funding. Method This research consisted of several stages, with quantitative and qualitative studies using medical records of heart failure patients at the Harapan Kita Cardiovascular Center. Starting with a Systematic Literature Review to find risk factors of readmission and to find novelties, predictive modeling with retrospective cohort study, system requirements analysis with qualitative studies, prototype development, and prototype testing with prospective cohort study. Results A systematic literature review on predictors of heart failure readmission using machine learning from PubMed, Science Direct, ProQuest, Scopus, Embase, Google Scholar resulted in 19 selected articles. 13 studies came from the USA, no similar studies were found in Indonesia, with the best algorithm being Neural Network. At the prediction modeling stage, data was obtained on 2738 post-hospitalization heart failure patients at Harapan Kita Cardiovascular Hospital, Jakarta, with the availability of 64 variables. With Orange Data Mining, 31 features are selected. The best model uses Random Forest, with AUC 0,976, CA 0,912, F1 0,912, Precision 0,916 and Recall 0,912, implemented in the Fineheart application prototype with patient profile application features, dashboard, my heart diary, quality of life assessment, control plan, medical instructions and medication, food and fluid intake records, education, consultation. The prototype efficacy test showed that the readmission rate in the intervention group (20%), was lower than the control group (43.3%). Significant changes occurred in 2 KCCQ parameters, Quality of Life (p=0.029) and Overall Summary Score (p=0.001). The level of presence of application prototypes also has a significant effect on these two parameters and prevents readmissions. Conclusion The readmission prediction model for heart failure patients with machine learning implemented in the application prototype can be used for home monitoring to prevent readmissions and maintain quality of life.