<![CDATA[Dalam sistem pelayanan kesehatan, Unit Perawatan Intensif (ICU) merupakan komponen penting untuk menangani pasien dalam kondisi kritis yang membutuhkan pemantauan intensif. Namun, durasi rawat inap atau Length of Stay (LoS) seorang pasien di ICU biasanya sangat bervariasi dan perpanjangan LoS berdampak signifikan pada beban biaya, penggunaan sumber daya, dan efisiensi pelayanan di rumah sakit. Penelitian ini bertujuan untuk mengidentifikasi faktor kausal yang memengaruhi LoS ICU menggunakan Algoritma Peter-Clark (PC) untuk penemuan kausal atau Causal Discovery. Data yang digunakan berasal dari MIMIC-IV, sebuah basis data klinis komprehensif dari Beth Israel Deaconess Medical Center tahun 2008–2019, yang mencakup demografi pasien, kode diagnosis ICD, dan hasil pemeriksaan laboratorium. Metode yang digunakan meliputi penerapan Algoritma PC, yang dipilih karena kemampuannya pada data berdimensi tinggi dengan Fisher's Z-test untuk pengujian independensi, yang diimplementasikan pada berbagai tingkat signifikansi (ɑ = 0.01, 0.05, 0.1). Validasi dilakukan melalui 500 iterasi bootstrap untuk mengetahui stabilitas dari struktur graf kausal. Hasil analisis menunjukkan enam variabel yang secara konsisten menjadi penyebab langsung LoS ICU diantaranya admission type, APR-DRG severity, high mortality risk, category, flag, dan anchor age. Struktur kausal yang dihasilkan memberikan gambaran hubungan sebab-akibat yang stabil dan signifikan antar variabel klinis, yang dapat digunakan untuk mendukung pengambilan keputusan berbasis data dalam manajemen pasien dan alokasi sumber daya ICU. Studi ini juga menegaskan potensi pendekatan Causal Discovery dalam analitik layanan kesehatan, khususnya dalam memahami faktor determinan LoS ICU secara mendalam.]]>
Copyrights © 2025
