Pendekatan Klasifikasi Dengan Deep Learning Untuk Segmentasi Teks Tanya Jawab Kesehatan Berdasarkan Aspek Komunikasi Dokter-Pasien

Wiguna, Bagus Satria (2023) Pendekatan Klasifikasi Dengan Deep Learning Untuk Segmentasi Teks Tanya Jawab Kesehatan Berdasarkan Aspek Komunikasi Dokter-Pasien. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 05111950010016-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (16MB) | Request a copy

Abstract

Online Health Consultation (OHC) adalah layanan konsultasi kesehatan berbasis internet yang menawarkan pasien kesempatan untuk konsultasi kesehatan. Salah satu bentuk layanan yang disediakan berupa konsultasi asinkronus, dimana pasien dan dokter berkomunikasi secara tidak langsung melalui media berbasis teks. Konsultasi secara asinkronus merupakan tantangan bagi dokter dikarenakan dokter hanya mendapat informasi kesehatan medis oleh pasien tanpa melakukan diagnosa terlebih dahulu. Dalam proses konsultasi seringkali dokter tidak memberikan informasi, diagnosis, serta membangun hubungan dengan pasien, hal-hal ini menyebabkan proses komunikasi kurang efektif sehingga proses perawatan pasien kurang optimal dan pasien merasa tidak puas terhadap layanan OHC, maka penting bagi dokter untuk memiliki kompetensi dalam komunikasi secara efektif. Aspek komunikasi dokter-pasien merupakan standar komunikasi untuk dokter berkomunikasi dengan pasien pada konsultasi medis. Terdapat enam aspek komunikasi yang wajib diterapkan oleh dokter dalam proses konsultasi medis dengan pasien. Contoh penerapan aspek komunikasi dokter-pasien berguna pada OHC sebagai evaluasi dan standar komunikasi yang efektif. Untuk melakukan hal tersebut, diperlukan metode untuk segmentasi teks pada jawaban dokter berdasarkan aspek komunikasi dokter-pasien.
Pada penelitian ini, segmentasi teks yang dilakukan dengan cara memberikan label pada setiap kalimat pada jawaban dokter, dimana terdapat enam label aspek komunikasi dokter-pasien. Penelitian ini mengusulkan Hierarchical Temporal Convolution Network (HTCN) dengan pendekatan supervised learning untuk masalah segmentasi teks pada aspek komunikasi dokter-pasien. Model HTCN terdiri dari lower layer dan upper layer. Lower layer digunakan untuk membuat representasi sentence embedding dari input kalimat yang setiap kata pada kalimat tersebut akan direpresentasikan oleh vektor dengan word embedding. Hasil sentence embedding dari lower layer akan digunakan pada upper layer untuk klasifikasi kalimat terhadap enam aspek komunikasi dokter-pasien. Penelitian ini juga melakukan perbandingan penggunaan corpus pada word embedding models untuk mengetahui pengaruh domain corpus terhadap metrik model HTCN yang akan dibuat. Hasil percobaan yang dilakukan penggunaan specific-domain corpus meningkatkan akurasi sebesar ~1,5% pada model HTCN. Model HTCN yang diusulkan berhasil menggungguli model deep learning komparatornya dengan kenaikan nilai akurasi yang didapat sebesar 1,7%. Hasil segmentasi model HTCN lebih unggul dibandingkan dengan metode unsupervised learning yang diuji dengan nilai WindowDiff terkecil sebesar 0,19.
Diharapkan dengan adanya metode untuk segmentasi teks pada aspek komunikasi dokter-pasien dapat membantu evaluasi dan komunikasi efektif bagi dokter pada layanan OHC, meningkatkan proses perawatan kesehatan pasien serta, serta meningkatkan kepuasan pasien terhadap layanan OHC. Hasil segmentasi pada jawaban dokter dapat dimanfaatkan untuk penerapan aplikasi natural language processing seperti peringkasan dan question-answering.
====================================================================================================================================
Online Health Consultation (OHC) is an internet-based health consulting service that offers patients the opportunity for health consultations. One form of service is asynchronous consultations, where patients and doctors communicate indirectly or through text-based media. Asynchronous consultation is a challenge for doctors because doctors only receive medical health information from patients without a prior diagnosis. In the consultation process, doctors often do not provide information, diagnose, or build relationships with patients. These things lead to less effective communication, so the patient's treatment process is not optimal. Patients feel dissatisfied with OHC services, so doctors must have communication competence effectively. The doctor-patient communication aspect is a standard for doctors to communicate with patients in medical consultations. There are six communication aspects that doctors must implement in the medical consultation process with patients. An example of the application of the doctor-patient communication aspect is helpful in OHC as an evaluation and standard for effective communication. To do this, we need a method for segmenting text on doctors' answers based on aspects of doctor-patient communication.
In this study, text segmentation was carried out by labeling each sentence in the doctor's answer, where there were six labels for aspects of doctor-patient communication. This study proposes a Hierarchical Temporal Convolution Neural Network (HTCN) with a supervised learning approach for text segmentation problems in aspects of doctor-patient communication. The HTCN model consists of a lower layer and an upper layer. The lower layer creates embedding sentence representations from input sentences, where a vector with word embedding will represent each word in the sentence. The results of sentence embedding from the lower layer will be used in the upper layer to classify sentences for the six aspects of doctor-patient communication. This study also compares the use of corpus in word embedding models to determine the effect of the corpus domain on the metrics of the HTCN model that will be created. The results of experiments using the specific-domain corpus increased accuracy by ~ 1.5% in the HTCN model. The proposed HTCN model outperformed the deep learning comparator model with an increase in the accuracy value obtained by 1.7%. The segmentation results of the HTCN model were superior to the unsupervised learning method tested with the smallest WindowDiff value of 0.19.
This method for text segmentation in the aspect of doctor-patient communication can help evaluate and communicate effectively for doctors in OHC services improve the patient's health care process as well as increase patient satisfaction with OHC services. The results of segmentation on doctors' answers can be used for the application of natural language processing applications such as summarization and question-answering.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Segmentasi teks, Supervised learning, Aspek komunikasi dokter-pasien
Subjects:	R Medicine > R Medicine (General) > R858 Deep Learning
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Bagus Satria Wiguna
Date Deposited:	02 Aug 2023 03:51
Last Modified:	02 Aug 2023 03:51
URI:	http://repository.its.ac.id/id/eprint/101644

Actions (login required)

View Item