Penggunaan Coding Python di Bidang Obgyn

Python adalah bahasa pemrograman yang bersifat fleksibel dan bisa digunakan untuk menyelesaikan berbagai jenis tugas yang ada di berbagai bidang. Misalnya saja di bidang kesehatan, khususnya bidang Obstetri dan Ginekologi (Obgyn). Bidang ini adalah bidang yang membutuhkan keahlian yang mumpuni karena berkaitan dengan perawatan kesehatan reproduksi wanita, mulai dari ovulasi, proses reproduksi, kehamilan dan lainnya. Dokter yang menangani nya pun harus memiliki spesialisasi di bidang ini.

Siapa yang sangka jika kita bisa mengimplementasikan coding Python di bidang ini? Pada dasarnya, penggunaan coding Python diharapkan bisa mempermudah pekerjaan para dokter spesialis dalam melakukan perhitungan dan prediksi. Tentunya prediksi yang dihasilkan belum tentu akan akurat 100% mengingat ada banyak faktor dari alam semesta yang tidak bisa dikendalikan.

Dalam artikel ini, kita akan membahas beberapa contoh pemanfaatan coding Python di bidang Obgyn. Yuk, simak pembahasannya!

1.Prediksi Ovulasi

Periode ovulasi merupakan periode yang paling tepat untuk melakukan pembuahan. Ovulasi adalah proses pelepasan sel telur matang dari ovarium (indung telur) yang siap untuk dibuahi. Proses ini merupakan bagian dari siklus menstruasi pada wanita. Ovulasi biasanya terjadi di pertengahan siklus menstruasi, sekitar 14 hari sebelum awal menstruasi berikutnya. Namun, ini dapat bervariasi antara wanita dan siklus menstruasi mereka. Sehingga bagi mereka yang sedang merencanakan kehamilan, prediksi ovulasi ini sangat penting untuk dilakukan agar mendapatkan hasil yang lebih efektif. 

Nah, kita bisa melakukan prediksi kapan ovulasi akan terjadi dengan memanfaatkan coding Python berikut.

Hasil yang akan didapatkan adalah sebagai berikut:

Baca juga : Bootcamp Data Analyst with SQL and Python

2. Kalkulator Kehamilan

Kalkulator kehamilan merupakan alat yang sangat dibutuhkan oleh profesional di bidang Obgyn. Kalkulator ini dapat menghitung berapa usia kehamilan sehingga bisa memprediksi perkiraan lahir dari pasiennya. Dengan memanfaatkan Python, kita bisa membuat kalkulator sederhana yang meminta pengguna memasukkan tanggal terakhir menstruasi mereka sehingga kita bisa menghitung usia kehamilan mereka saat ini.

Berikut adalah contoh syntax yang bisa digunakan:

Hasil perhitungan usia kehamilan akan ditampilkan dalam hari, seperti gambar di bawah ini:

3. Visualisasi Perubahan Berat Badan Selama Hamil

Setiap ibu hamil pasti akan mengalami kenaikan berat badan, meskipun ibu hamil tersebut sudah masuk dalam kategori obesitas atau overweight. Oleh karena itu, kenaikan berat badan ibu hamil perlu ditracking secara khusus untuk mengetahui apakah kenaikan yang dialami masih di tahap normal, kurang dari seharusnya, atau bahkan naik terlalu banyak. Kita bisa membuat visualisasi data untuk melihat perubahan berat badan selama hamil dengan coding Python berikut ini:

import matplotlib.pyplot as plt
# Data contoh: Usia kehamilan (minggu) dan perubahan berat badan (kg)
usia_kehamilan = [5, 10, 15, 20, 25, 30, 35, 40]
perubahan_berat_badan = [1, 3, 5, 7, 10, 12, 15, 18]
# Membuat plot garis untuk visualisasi perubahan berat badan selama kehamilan
plt.plot(usia_kehamilan, perubahan_berat_badan, marker='o', linestyle='-', color='b')
# Menambahkan judul dan label pada sumbu x dan y
plt.title('Perubahan Berat Badan Selama Kehamilan')
plt.xlabel('Usia Kehamilan (minggu)')
plt.ylabel('Perubahan Berat Badan (kg)')
# Menampilkan grid untuk memudahkan pembacaan
plt.grid(True)
# Menampilkan plot
plt.show()

Dengan menggunakan syntax di atas, maka kita akan mendapatkan visualisasi yang bisa menggambarkan kenaikan berat badan ibu hamil. Berikut adalah contoh hasilnya:

4. Prediksi Kelahiran Prematur

Kelahiran bayi prematur adalah keadaan dimana bayi lahir namun belum cukup bulan, biasanya kurang dari 37 minggu. Kita bisa memanfaatkan library Python seperti scikit-learn untuk membangun model Random Forest yang dapat memprediksi kemungkinan kelahiran prematur berdasarkan beberapa variabel. Performa model dievaluasi menggunakan akurasi dan matriks kebingungan.

Berikut adalah contoh syntax yang bisa digunakan:

from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, confusion_matrix
# Memisahkan data menjadi atribut dan label
X = data_obgyn[['Usia', 'Tekanan_Darah', 'Berat_Badan']]
y = data_obgyn['Kelahiran_Prematur']
# Membagi data menjadi data latih dan data uji
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Membuat model klasifikasi menggunakan Random Forest
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
# Mengevaluasi performa model
y_pred = model.predict(X_test)
print('Accuracy:', accuracy_score(y_test, y_pred))
print('Confusion Matrix:
', confusion_matrix(y_test, y_pred))

Contoh ini sudah termasuk dalam kategori penggunaan Machine Learning untuk membuat prediksi, dengan metode yang digunakan adalah Random Forest. Kita bebas menentukan algoritma yang akan digunakan, selama algoritma tersebut cocok dengan tujuan yang ingin dicapai dan data yang kita miliki.

Baca juga : Mengenal Perbedaan R Python dan SQL

DQLab merupakan platform belajar online yang berfokus pada pengenalan Data Science & Artificial Intelligence (AI) dengan menggunakan bahasa pemrograman populer, serta platform edukasi pertama yang mengintegrasi fitur Chat GPT.  Selain itu DQLab juga menggunakan metode HERO yaitu Hands-On, Experiential Learning & Outcome-based, yang dirancang ramah untuk pemula. 

Yuk sign up di DQLab untuk mendapatkan pengalaman belajar yang lebih menarik. Daftar sekarang dan kejar impianmu untuk menjadi Data Analyst! Atau kamu ingin mempelajari Artificial Intelligence lebih dalam & intensif? Yuk ikuti DQLab LiveClass! Nikmati pembelajaran secara langsung dengan metode simulasi yang akan membantu kamu dalam persiapan karir. Kunjungi halaman Bootcamp Data Analyst with SQL and Python untuk informasi lebih lanjut ya!

Penulis : Gifa Delyani Nursyafitri