APLIKASI SOFTWARE DETEKSI DINI FAKTOR RISIKO DIABETES MELLITUS PADA DEWASA DI PUSKESMAS KERTASMAYA KABUPATEN INDRAMAYU
Notice bibliographique
Résumé
Diabetes Mellitus adalah penyakit menahun (kronis) berupa gangguan metabolik yang ditandai dengan kadar gula darah yang melebihi batas normal. Organisasi International Diabetes Federation (IDF) memperkirakan sedikitnya terdapat 463 juta orang pada usia 20 – 79 tahun di dunia menderita diabetes pada tahun 2019. Pusat data dan informasi Jawa Barat Tahun 2019 menunjukkan jumlah penderita Diabetes Mellitus sebanyak 5504 orang. Diabetes Mellitus sering disebut dengan the mother of desease, dimana komplikasi dari diabetes mellitus ini mengakibatkan beberapa penyakit lainnya, diantaranya kebutaan, gagal ginjal, gagal jantung, sampai kematian. Hal ini ditunjang dengan pola makan yang tidak sehat, aktifitas fisik yang minimal dilakukan. Oleh karena itu diperlukan deteksi dini faktor risiko Diabetes Mellitus untuk melakukan pencegahan terjadinya penyakit. Berdasarkan uraian masalah tersebut, maka pengabdi tertarik untuk melaksanakan kegiatan pengabdian masyarakat dengan membuat Penguatan Promosi Kesehatan melalui Aplikasi Software Deteksi Dini Faktor Risiko Diabetes Mellitus dan Cara Pencegahan Diabetes Mellitus yang dapat digunakan oleh Kader Kesehatan yang ada di masyarakat. Dalam aplikasi tersebut di dalamnya tertuang tentang bagaimana cara deteksi dini faktor risiko Diabetes Mellitus dengan menggunakan The Canadian Diabetes Risk Questionnaire (CANRISK) serta cara pencegahan dengan Video Senam Diabetes. Kegiatan pengabdian mendapat dukungan dinas Kesehatan dan puskesmas, kegiatan ini bertujuan untuk meningkatkan keterampilan Kader dalam mendeteksi Diabetes Mellitus di wilayahnya sehingga penanganan pada pasien Diabetes Mellitus bisa cepat diatasi dengan baik yang dapat menekan angka kematian akibat penyakit Diabetes Mellitus. Diabetes Mellitus (DM) is a chronic disease characterized by blood sugar levels that exceed normal limits. The International Diabetes Federation (IDF) organization in 2019 estimates that at least 463 million people aged 20 - 79 years in the world suffer from diabetes. The data acquired from West Java information centre in 2019 shows that there are 5504 people suffered from DM. DM is often called the mother of diseases, because the complications from diabetes mellitus result in several other diseases, including blindness, kidney failure, heart failure, and even death. These cases are supported by unhealthy eating patterns also lack of physical activity. Therefore, early detection of risk factors for DM is needed to prevent the disease since the beginning. According to the problem explained, the writer is interested in carrying out community service activities. The writer created Health Promotion Strengthening through Software Applications for Early Detection of DM Risk Factors and Methods for Preventing DM which can be used by Agent of Health in the community. This application explains how to detect early risk factors for DM using The Canadian Diabetes Risk Questionnaire (CANRISK) as well as how to prevent it using Diabetes Exercise Videos. The service activity is supported by the Health Service and Community Health Centre. This activity aims to improve Agent of Health’s skills in detecting people with high risk in DM, especially in their surrounding in order to DM patients can be treated immediately.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,013 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».