6-7. Database dan ekstraksi data dalam Farmakoepidemiologi.pptx

data base

1. DATABASE FARMAKOEPIDEMIOLOGI 5 Vs of Big Data

2. DataBase Farmakoepidemiologi Sumber data dalam farmakoepidemiologi 35% Elektronik Database 65% Ekstraksi Data 75% 189k 321k 288k

3. SUMBER DATA DALAM FARMAKOEPIDEMIOLOGI Big Data

4. Sumber Data dalam Farmakoepidemiologi Sumber data dalam farmakoepidemiologi adalah informasi optimal dari subjek mengenai penggunaan obat dan efek obat dalam populasi yang dapat diintegrasikan pada pemahaman tentang data dan metode analisis . Kegunaan Sumber data : untuk memperoleh informasi secara optimal dari subjek yang diteliti  informasi ini kemudian dapat diintegrasikan tergantung pada pemahaman menyeluruh tentang data dan metode analisis . Pemilihan sumber data tergantung pada jenis studi farmakoepidemiologi yang direncanakan

5. Jenis Sumber Data dalam Farmakoepidemiologi Jenis sumber data yaitu : Pelaporan langsung ( spontaneous reporting ) Database pelayanan kesehatan ( automated healthcare database ) Catatan medis ( surveillance ) Rekam medis ( electronic medical records ) Survei nasional ( national survey ) Pemantauan resep ( prescription-event monitoring )

6. Pelaporan Langsung ( Spontaneous Reporting ) Database pelaporan spontan / langsung (Spontaneous Reporting) adalah sumber data yang mendasar untuk post-marketing pharmacovigilance , beberapa studi telah melihat bagaimana tren pelaporan langsung ini berubah dari waktu ke waktu Fungsi yang paling penting dari sistem pelaporan spontan ini adalah identifikasi awal sinyal dan perumusan hipotesis , yang kemudian mengarah untuk lebih mengonfrimasi suatu penyelidikan atau kadang-kadang peringatan peraturan dan perubahan informasi produk Fokus utama dari sistem pelaporan spontan ini adalah untuk mendeteksi reaksi obat yang diketahui merugikan secara serius ( efek samping obat ). Semua laporan ditinjau dan dianalisis untuk menghasilkan ' sinyal ' atau ' peringatan ' yang serius , namun belum dikenali peristiwa terkait obat yang mungkin mengindikasikan masalah kesehatan masyarakat Insight 1 90% 70% 40%

7. Pelaporan Langsung ( Spontaneous Reporting ) Hasil yang diperoleh nantinya akan menunjukkan manfaat dan resiko dari penelitian yang dilakukan . Metodologi pelaporan spontan ini diharapkan bisa meningkatkan pelaporan efek samping yang dicurigai terhadap obat secara langsung . Dalam pelaporan mungkin ditemui hambatan atau masalah yang dapat berpengaruh terhadap pengumpulan data seperti Masalah diagnosis dari efek samping obat , Masalah beban pekerjaan dan kurangnya waktu dari subjek yang ingin diperoleh datanya Masalah yang berkaitan dengan organisasi dan kegiatan sistem pharmacovigilance di rumah sakit Masalah yang terkait dengan potensi konflik yang ada Insight 1 90% 70% 40%

8. Insight 1 90% 70% 40%

9. Hasil Penelitian Pelaporan ESO di Puskesmas 5 Vs of Big Data https://thesjp.org/index.php/SJP/article/view/174/142 Kategori N Keterbatasan waktu 11 21% Kurangnya pengetahuan 20 38% Keterbatasan SDM 6 12% Reward dan Punisment 2 4% Beban kerja berlebih 2 4% Tugas tambahan 3 6% Form pelaporan sulit digunakan 0% Kurangnya sosialisasi terkait pelaporan ESO 4 8% Tidak ada kejadian ESO 3 6% Perlunya kolaborasi rekan kerja 1 2% Total 52 100%

10. Database Pelayanan Kesehatan ( Automated Healthcare Database ) Peningkatan penggunaan data pengamatan yang ada untuk mencapai produksi yang cepat dan transparan dari bukti empiris dalam penelitian kesehatan semakin marak terjadi . Beberapa database yang sering digunakan untuk Meningkatkan kekuatan Menilai eksposur langka atau hasil Mempelajari beragam populasi Keterbatasan : Data asli pada subyek individu tidak dapat dibagi karena privasi dan alasan sosiologis Membutuhkan pendekatan jaringan terdistribusi di mana pengolahan data dilakukan sebelum berbagi data

11. Database Pelayanan Kesehatan ( Automated Healthcare Database )

12. Catatan Medis ( Surveillance )

13. Rekam Medis (Electronic Medical Records)

14. Rekam Medis (Electronic Medical Records)

15. DATABASE ELEKTRONIK Big Data

16. DATABASE ELEKTRONIK Basis data elektronik dapat memenuhi kebutuhan yang efisien dan efektif untuk studi pascapemasaran Basis data yang ideal untuk memenuhi kebutuhan farmakoepidemiologi mencakup : Catatan dari rawat inap dan rawat jalan Perawatan darurat Perawatan kesehatan mental Semua tes laboratorium dan radiologi ( termasuk tes farmakogenomik yang mungkin tidak dilakukan sebagai bagian dari perawatan klinis ) Penilaian fungsional Semua obat yang diresepkan dan obat yang dijual bebas , serta terapi alternatif Studi ini memerlukan populasi yang besar Obat- obatan yang diteliti harus masuk formularium dan diresepkan dalam jumlah yang cukup untuk memberikan kekuatan yang memadahi untuk analisis

17. DATABASE ELEKTRONIK Persayaratan Basis data yang ideal : Populasi yang besar Obat- obatan yang diteliti harus masuk formularium dan diresepkan dalam jumlah yang cukup untuk memberikan kekuatan yang memadahi untuk analisis Semua bagian dapat dengan mudah dihubungkan dengan menggunakan pengenal unik pasien Catatan diperbarui secara teratur Catatan tersebut dapat diverifikasi dan dapat diandalkan .

18. KEKURANGAN DATA BASE ELEKTRONIK Menyediakan ukuran sampel yang sangat besar Relatif murah untuk digunakan Data yang tersedia bisa lengkap Basis data ini dapat berbasis populasi Berpotensi untuk dihubungkan dengan basis data elektronik eksternal lainnya KELEBIHAN Validitas data diagnosis yang tidak pasti Mungkin kekurangan informasi tentang beberapa variabel pengganggu yang potensial Ketidakstabilan populasi karena perubahan pekerjaan , perubahan rencana kesehatan pemberi kerja , dan perubahan cakupan untuk karyawan tertentu dan anggota keluarganya Beberapa hasil dari penelitian yang menggunakan basis data ini mungkin tidak dapat digeneralisasi

19. EKSTRAKSI DATA Big Data

20. DEFINISI EKSTRAKSI DATA Ekstraksi data adalah proses di mana individu mengambil data dari sumbernya . Perusahaan biasanya mengekstrak data jika mereka berharap untuk memindahkannya ke area lain, menemukan informasi di dalam data atau memperbarui data dengan informasi atau metadata tambahan . Ekstraksi data merupakan langkah pertama yang umum dalam proses ekstraksi , transformasi , pemuatan atau extraction, transform, load (ETL) di mana perusahaan menarik data, memanipulasinya , dan memuatnya kembali ke database yang sama atau lainnya .

21. JENIS DATA Data pelanggan :  Data pelanggan dapat mencakup banyak informasi , seperti informasi kontak , riwayat pembelian , dan penelusuran web. Mengambil data ini dapat berguna saat mengevaluasi rencana pemasaran dan penjualan . Data keuangan :  Data keuangan seringkali merupakan data internal perusahaan sendiri , seperti biaya barang , pendapatan , dan informasi keuangan lainnya yang dicatat oleh tim keuangan . Auditor atau perencana keuangan mungkin meninjau data ini untuk memastikan kepatuhan dan menganalisis kinerja perusahaan . Data produk :  Data produk dapat berupa informasi internal, seperti metadata, dan data yang berhubungan dengan pelanggan , seperti spesifikasi produk . Anda dapat mengambil data ini untuk mengevaluasi berbagai komponen produk , seperti harganya . Data kinerja :  Data kinerja dapat mencakup keluaran , seperti barang yang dibuat atau dikemas , atau penggunaan dan kinerja sistem . Mengambil informasi ini dapat membantu mengevaluasi proses, orang, dan peralatan saat ini dan mengidentifikasi area untuk perbaikan .

22. CARA KERJA EKSTRAKSI DATA Ekstraksi data dapat bekerja secara manual atau otomatis . Pertama , Anda menemukan data yang ingin Anda ekstrak . Ini dapat mencakup data yang disimpan dalam database, hard drive, atau penyimpanan cloud. Kemudian identifikasi bagian informasi mana yang ingin Anda ekstrak . Anda dapat mengekstrak satu bagian data, semua yang disimpan atau mengidentifikasi permintaan khusus . Alat otomatis dan terkadang database memproses data setelah Anda mengidentifikasinya . Misalnya , mungkin mengonversi data terstruktur menjadi format yang dapat dibaca , seperti spreadsheet. Dengan data keluar dari sumbernya , Anda kemudian dapat memperbarui , menghapus , atau menambahkan komponen dan memuatnya ke sistem lain.

23. JENIS EKSTRAKSI DATA Update notification Update notification adalah frasa yang digunakan untuk menggambarkan penggalian data setiap kali seseorang memperbarui data. Karena Anda dapat menarik data secara manual atau menjadwalkan ekstraksi , ini bisa menjadi cara yang baik untuk mengumpulkan dan memperbarui data secara teratur . Beberapa database mungkin secara otomatis mengirim data ke tujuan lain dengan pemberitahuan pembaruan . Misalnya , jika seseorang memperbarui harga di database produk mereka , situs web yang menghadap pelanggan mungkin secara otomatis mengekstrak harga dan memperbaruinya untuk pelanggan .

24. JENIS EKSTRAKSI DATA Ekstraksi terstruktur / tidak terstruktur Ekstraksi data terstruktur adalah ketika Anda mengekstrak data, Anda dapat dengan mudah membaca dan memahami . Orang-orang menyimpan database dalam berbagai cara , dan satu struktur umum adalah struktur tabel . Ekstraksi terstruktur mengekspor data dalam format yang sama , jadi jika Anda menyimpan data dalam tabel , Anda dapat mengekstraknya sebagai tabel , biasanya dalam spreadsheet. Anda mungkin mengalami ekstraksi data tidak terstruktur jika Anda memiliki berbagai tipe data seperti gambar , teks , dan file lainnya . Mengekstrak data tidak terstruktur mungkin memiliki pemformatan yang tidak konsisten dengan karakter khusus tergantung pada data yang disertakan . Anda mungkin perlu melakukan pembersihan file manual sebelum membaca atau memanipulasi data, seperti menghapus spasi putih dan karakter khusus , atau menyisipkan informasi yang hilang .

25. JENIS EKSTRAKSI DATA Ekstraksi tambahan Ekstraksi tambahan adalah ketika Anda mengekstrak data secara teratur . Anda mungkin melakukan ini untuk mengambil data yang diperbarui seseorang dalam waktu tertentu . Misalnya , Anda dapat mengekstrak semua data yang diperbarui dalam seminggu pada hari Jumat . Perusahaan mungkin melakukan ini untuk sering memperbarui situs web atau sistem mereka , tetapi tidak setiap kali Anda melakukan pembaruan tertentu . Anda mungkin memerlukan pengkodean tambahan dalam database yang dapat mengidentifikasi saat Anda menghapus catatan atau mengubahnya sehingga dapat secara otomatis mengidentifikasi perubahan dan mengirimkan data.

26. JENIS EKSTRAKSI DATA Ekstraksi penuh Ekstraksi penuh adalah saat Anda mengambil semua data dalam database. Anda mungkin melakukan ini saat pertama kali mengekstrak data untuk memastikan Anda menangkap semuanya . Jika Anda melakukan ekstraksi penuh secara teratur , sistem dapat membuat paket ekstraksi penuh setiap kali, sering kali tanpa memperhatikan perubahan . Jika Anda mengekstrak untuk mengirim data ke sistem lain, ini mungkin berarti mengirim semua informasi secara teratur . Mungkin lebih hemat biaya untuk menjalankan ekstraksi pemberitahuan tambahan atau pembaruan untuk ini , karena hanya mengirimkan informasi baru dan yang diperbarui .

27. JENIS EKSTRAKSI DATA Ekstraksi online/offline Ekstraksi online adalah ketika pengguna atau sistem lain terhubung langsung ke database sumber untuk mengambil data. Ekstraksi offline menggunakan area penyimpanan terpisah tempat Anda dapat mengambil informasi . Misalnya , area pementasan ini mungkin berisi salinan semua data dalam database sumber . Pengguna atau sistem lain yang membutuhkan data ini dapat mengambilnya dari sumber offline ini , daripada menyambung ke database online.

28. CLUSTERING OF DRUG SAMPLING DATA TO DETERMINE DRUG DISTRIBUTION PATTERNS WITH K-MEANS METHOD (Study on Central Kalimantan Province) Wahyuri, S.Si.Apt 1 , Dr. Umi Athiyah,M.S, Apt 2 , Ira Puspitasar,M.T, Ph.D 3 ,Dr. Yunita Nita, S.Si.M.Pharm.Apt 2 ABSTRACT Background: Drugs sampling and testing in the context of post marketing control is an important component to ensure drugs safety in the supply chains. It results by BPOM are used for conducting public warning, evaluating the GMP and GDP implementation and to enforcing the law against drug violation. This study aims to determine the drug distribution patterns in order to provide an overview of drugs sampling in the public sector. Methods: The drugs sampling data was obtained from BBPOM Palangka Raya’s database in the Integrated Information Reporting Systems (SIPT) application during 2014 to 2018 . Data mining process using CRISP-DM methodology and k-means clustering model is proposed in this study. The clustering model is applied in Rapidminer version 8.2 software. In data preparation, the attributes namely the name of drug sample, therapeutic classes, district / city, sample category and evaluation of drugs surveillance are created for dataset. Result: The drugs distribution patterns is formed in 3 clusters. First cluster contains 522 drug items consisting of 8 therapeutic classes spread over 10 districts, second cluster contains 1542 drug items consisting of 5 therapeutic classes spread over 5 districts and third cluster contains 503 drug items consisting of 11 therapeutic classes spread across 9 districts. Discussion: The drugs sampling data clustering show that data mining methods can be used for decision improvement in drugs sampling planning and provide indepth information which has impact on improving the performance of drug post marketing control in Central Kalimantan Province. Keywords: drug distribution patterns, drug quality control, drug sampling, clustering, CRISP-DM, data mining 29

29. SIGNAL DETECTION OF FIRST LINE ANTI TUBERCULAR DRUGS ( Study on Indonesian Pharmacovigilans Database) Setyo Utami , Umi Athiyah , Yunita Nita ABSTRACT Pharmacovigilance is a key component of the drug regulatory system to identify risks associated with drug use. The safety of antituberculosis drug (ATDs) is a concern because of the increase in MDR cases and the number of reported ADRs. This study aimed to detect the First Line ATD signals in the Indonesian pharmacovigilance database. The research method used was a retrospective cohort with a sample report of ADRs on the Indonesian pharmacovigilance database in National Drug and Food Control (NADFC) form 2012 to May 2018 . The validity of the data was seen from the completeness of the data components. Data analysis determine ADRs profiles and the calculation of PRR, ROR and IC. The signals found were verified against registered product labels, standard books and report from other countries' databases. The number of ATD ADRs reported was 5.3%. The most ADRs was digestive disorders, skin disorders, and hepatic disorders. Nausea is the most widely reported. There was 2 ADRs from 2 first-line ATD combinations that meet the requirements as a signal, RHZE combinations that was rash maculo-papular (PRR 4.53; ROR 6.19; IC 0.74 and p = 035) and RH combinations that was rash (PRR 2 , 94; ROR 4.23; IC 1.41 and p = 0.046). The confirmed signal was rash maculo-papular with RHZE To conclude, safety signals detected in the Indonesian pharmacovigilance database between 2012 and May 2018 are rash maculo-papular. Keyword: Pharmacovigilans , Signal Detection, Anti Tubercular drug 30

30. Judul 3

31. Thanks!