Apa itu Smart Report Medical Checkup? Ketahui Selengkapnya Disini

Pelajari lebih lanjut tentang Smart Report Medical Check-Up, teknologi terbaru dalam pemeriksaan kesehatan yang memberikan laporan kesehatan komprehensif dan prediktif. Temukan keunggulan dan manfaatnya dalam mendeteksi risiko kesehatan secara dini.

Medical check-up karyawan adalah program Kesehatan dan Keselamatan Kerja (K3) yang wajib dilakukan oleh setiap perusahaan untuk mengetahui kondisi kesehatan karyawan atau calon karyawan terkini.

Selain itu medical check-up karyawan dapat berperan mengurangi angka kesakitan karyawan serta dapat meningkatkan produktivitas kerja. Salah satu pemeriksaan medical check-up yang komprehensif serta keterangan informasi seluruh profil kesehatan karyawan dalam satu laporan dapat menggunakan smart report medical check–up.

Pengertian Smart Report dalam Dunia Medis

Smart report medical check-up adalah pemeriksaan kesehatan secara menyeluruh yang dirancang untuk mengetahui kondisi kesehatan secara umum dengan mendeteksi penyakit–penyakit yang berpotensi serta mengetahui risiko penyakit di masa depan.

Keunggulan Smart Report Dibandingkan Laporan Medis Konvensional

Smart report medical check-up memiliki keunggulan dibandingkan report medis konvensional, di antaranya :

1. Hasil report akan memberitahukan nilai pemeriksaan Anda termasuk dalam kategori normal atau abnormal berdasarkan nilai rujukan yang sesuai dengan jenis kelamin dan usia.
2. Hasil report akan memberikan rekomendasi pola hidup sehat yang bisa dijalankan berdasarkan kategori.
3. Hasil report memberikan penjelasan lebih detail berikut faktor–faktor risiko yang hasilnya nanti digunakan untuk perkiraan prognosis risiko di masa mendatang

Apa Saja yang Tercakup di dalam Smart Report Medical Check-Up?

Hasil smart report medical check-up mencakup beberapa hal sebagai berikut diantaranya:

• Ringkasan yang menunjukkan gambaran ringkas kondisi kesehatan berdasarkan informasi yang telah diberikan dan hasil pemeriksaan yang dilakukan.

Gambar 1. Contoh ringkasan

• Saran dokter

Pada bagian saran dokter akan ditulis tanggal pemeriksaan selanjutnya dan keterangan status kelayakan kerja.

Gambar 2. Saran dokter

• Informasi dasar yang meliputi: tekanan darah, suhu tubuh, denyut nadi, berat badan, suhu, indeks massa tubuh.

Gambar 3. Informasi dasar

• Riwayat kesehatan

Pada bagian riwayat kesehatan akan tertera usia, jenis kelamin, riwayat penyakit selama ini dan kebiasaan hidup (life style).

Gambar 4. Riwayat kesehatan

• Riwayat pajanan

Bagian ini akan mencantumkan riwayat pajanan apa saja yang sering dialami baik di lingkungan rumah maupun di lingkungan kantor.

• Pemeriksaan kesehatan

Pemeriksaan kesehatan meliputi hasil pemeriksaan organ–organ tubuh yang dilakukan oleh dokter.

Gambar 5. Pemeriksaan kesehatan

• Penilaian risiko terkait jantung dalam 10 tahun

Dalam laporan ini, digunakan algoritma tunggal yang menggabungkan beberapa variabel (berat badan dan kadar HDL di dalam darah) untuk memprediksi risiko terjadinya penyakit kardiovaskular.

Gambar 6. Contoh hasil penilaian risiko terkait jantung

• Penilaian risiko diabetes dalam 10 tahun

Penilaian risiko diabetes berikut ini digunakan secara luas untuk memperkirakan kemungkinan diabetes tipe 2 dalam 10 tahun pada individu berusia 25 hingga 84 tahun.

Alat ini memiliki dua fungsi: membantu dalam menyampaikan tingkat risiko kepada pasien dan membantu mengidentifikasi mereka yang memiliki risiko tinggi dan mungkin memerlukan intervensi dan pemantauan yang lebih aktif.

Gambar 7. Contoh penilaian risiko diabetes

• Penilaian risiko hipertensi dalam 4 tahun

Tim peneliti dari Framingham Heart Study (FHS) menciptakan sebuah model prediksi risiko hipertensi dengan mempertimbangkan usia, jenis kelamin, tekanan darah sistolik dan diastolik, indeks massa tubuh, kebiasaan merokok, dan riwayat hipertensi dalam keluarga.

Gambar 8. Contoh penilaian risiko hipertensi

• Penilaian risiko penyakit lemak hati dalam 6 tahun

Penyakit hati berlemak non-alkohol merujuk pada penumpukan lemak di hati yang tidak berkaitan dengan konsumsi alkohol. Akumulasi lemak yang berlebihan di hati dapat menyebabkan kerusakan hati yang serius dan dikaitkan dengan risiko diabetes dan penyakit ginjal yang meningkat.

Deteksi dini dapat memudahkan intervensi untuk mengurangi kadar lemak di hati. Penilaian risiko ini menggunakan algoritma yang dikembangkan dari Framingham Heart Study, yang memperkirakan risiko Anda berdasarkan faktor-faktor seperti usia, jenis kelamin, BMI, konsumsi alkohol, dan tingkat trigliserida.

Gambar 9. Contoh penilaian risiko penyakit lemak hati

• Penilaian risiko penyakit ginjal kronis dalam 5 tahun

Penyakit Ginjal Kronis (PGK) adalah penurunan fungsi ginjal yang progresif, menyebabkan kapasitas penyaringan limbah dan cairan berlebih dari darah menurun. Hal ini mengakibatkan penumpukan sisa metabolisme dan cairan yang tidak diinginkan hingga mencapai tingkat yang berbahaya dalam tubuh.

Risiko PGK dapat diprediksi oleh algoritma QKidney, yang dikembangkan oleh Julia Hippisley-Cox dan Carol Coupland. Algoritma ini mempertimbangkan berbagai variabel seperti usia, etnis, status merokok, BMI, tekanan darah, diabetes, dan riwayat kesehatan keluarga.

Gambar 10. Contoh penilaian risiko penyakit ginjal

Hasil prediksi risiko penyakit masa dapat dapat membantu dokter merekomendasikan terapi dan perubahan gaya hidup sehingga faktor risiko di masa depan dapat dikendalikan sejak dini.

Jika Anda tertarik untuk melakukan pemeriksaan Smart report medical check up di Laboratorium Diagnos. Anda dapat melakukan pendaftaran di aplikasi DNAandMe atau dapat menghubungi Call Center Diagnos di 1500-358 atau di Whatsapp Call Center di 08551500358.

Baca Juga : Medical Check Up: Jenis Pemeriksaan, Manfaat, Prosesnya

Referensi :

1. Carson AP, Lewis CE, Jacobs DR Jr, Peralta CA, Steffen LM, Bower JK, Person SD, Muntner P. Evaluating the Framingham hypertension risk prediction model in young adults: the Coronary Artery Risk Development in Young Adults (CARDIA) study. Hypertension . 2013 Dec;62(6):1015-20.
2. Adults (CARDIA) study. Hypertension . 2013 Dec;62(6):1015-20.
3. Hippisley-Cox J, Coupland C. Development and validation of QDiabetes-2018 risk prediction algorithm to estimate future risk of type 2 diabetes: cohort study. BMJ. 2017; 359: j5019.
4. Sabanayagam C, Khoo EY, Lye WK, et al. Diagnosis of Diabetes Mellitus Using HbA1c in Asians:Relationship Between HbA1c and Retinopathy in a Multiethnic Asian Population. J Clin Endocrinol Metab. 2015;100(2):689-696
5. D’Agostino RB Sr, Vasan RS, Pencina MJ, Wolf PA, Cobain M, Massaro JM, Kannel WB. General cardiovascular risk profile for use in primary care: the Framingham Heart Study. Circulation . 2008 Feb 12;117(6):743-53.
6. Ministry of Health, Republic of Indonesia Classification of Obesity after BMI measurement. 07 November 2018. https://p2ptm.kemkes.go.id/infographic-p2ptm/obesitas/klasifikasi-obesitas-setelah-pengukuran-imt
7. Long MT, Pedley A, Massaro JM, Hoffmann U, Ma J, Loomba R, Chung RT, Benjamin EJ. A simple clinical model predicts incident hepatic steatosis in a community-based cohort: The Framingham Heart Study. Liver International. 2018;38(8):1495-1503.
8. Hippisley-Cox J, Coupland C. Predicting the risk of Chronic Kidney Disease in Men and Women in England and Wales: prospective derivation and external validation of the QKidney Scores. BMC Family Practice. 2010;11(1).