Tim peneliti Pusat Kedokteran Tropis (PKT) Universitas Gadjah Mada (UGM) tengah mengembangkan ExplainDengue, platform berbasis kecerdasan buatan untuk membantu mendeteksi potensi wabah demam berdarah dengue (DBD). Sistem ini menggabungkan data kasus dari fasilitas kesehatan dengan informasi iklim, cuaca, dan curah hujan.
Peneliti PKT UGM, Dr. Anis Fuad, mengatakan ExplainDengue dirancang untuk memperkirakan perubahan risiko DBD, termasuk kemungkinan peningkatan kasus di suatu wilayah. Analisis tersebut diharapkan dapat memberi masukan awal bagi sistem kewaspadaan dini yang dimiliki pemerintah.
“Selanjutnya AI akan membuat prediksi kira-kira ke depan itu penderita penyakit demam berdarah naik turunnya di mana dan seterusnya,” kata Anis, seperti dikutip dari laman UGM, Kamis (8/10).
ExplainDengue mengolah data kasus dan kondisi lingkungan
Platform ini menghubungkan sejumlah sumber informasi, antara lain riwayat pasien DBD yang tercatat dari waktu ke waktu di fasilitas kesehatan. Data tersebut dipadukan dengan catatan iklim, cuaca, dan hujan untuk membantu membaca perubahan risiko penyakit.
Pendekatan itu memungkinkan analisis tidak hanya bertumpu pada jumlah kasus yang sudah tercatat. Kondisi lingkungan juga menjadi bagian dari bahan yang diolah sistem untuk memperkirakan kemungkinan kenaikan kasus. Namun, ExplainDengue masih dalam tahap pengembangan dan fungsinya adalah memberikan dukungan analisis, bukan memastikan terjadinya wabah.
Menurut Anis, informasi yang dihasilkan dapat membantu pihak terkait melihat potensi masalah lebih awal. Dengan demikian, dinas kesehatan berpeluang memperoleh bahan pertimbangan untuk menentukan respons yang diperlukan.
Rekam medis IGD digunakan untuk mengenali pola gejala
Selain data kasus DBD dan kondisi lingkungan, tim PKT UGM memanfaatkan Rekam Medis Elektronik (RME) dari instalasi gawat darurat (IGD). Catatan itu memuat keluhan serta riwayat pasien saat datang ke rumah sakit, yang dapat membantu mengenali pola gejala awal.
Data gejala utama dari RME dapat diolah menggunakan large language model (LLM). Teknologi ini digunakan untuk membantu mengidentifikasi apakah kumpulan gejala tertentu berkaitan dengan penyakit yang berpotensi menjadi kejadian luar biasa (KLB) atau termasuk penyakit yang wajib dilaporkan.
“Hasil data dari rekam medis elektronik di IGD, beberapa kumpulan gejala utama pasien dimasukkan ke dalam large language model. Lalu, digabungkan ke dalam format untuk mengidentifikasi apakah ini merupakan bagian dari kumpulan gejala penyakit yang berpotensi menjadi kejadian luar biasa (KLB) atau penyakit yang wajib dilaporkan,” ujar Anis.
Dalam penerapannya, mesin dapat membantu petugas yang mengisi rekam medis mengenali indikasi tersebut. Informasi awal itu selanjutnya dapat menjadi perhatian tenaga kesehatan dan dinas kesehatan. Kecepatan mengenali pola gejala menjadi penting agar dugaan ancaman penyakit tidak hanya diketahui setelah kasus bertambah.
Akurasi data dan kendali manusia tetap penting
Anis menilai kualitas data menjadi salah satu tantangan utama dalam pengembangan sistem berbasis AI. Analisis akan lebih bermanfaat jika data yang masuk akurat, lengkap, konsisten, dan diperbarui secara berkelanjutan. Tanpa pasokan data yang memadai, kemampuan sistem untuk menghasilkan analisis yang baik juga dapat terbatas.
Ia menegaskan, AI tidak mengambil alih keputusan dari manusia. Hasil platform akan menjadi masukan untuk menilai apakah suatu kondisi berpotensi menjadi KLB, sedangkan kendali dan keputusan akhir tetap berada pada pengguna.
“Dia akan membantu kita dalam memberikan input, berupa keputusan apakah ini berpotensi KLB atau tidak. Tapi tetap kita yang kontrol,” kata Anis.
Prinsip tersebut juga berlaku dalam penggunaan AI di pelayanan kesehatan secara lebih luas. Fasilitas kesehatan perlu memahami cara kerja teknologi, memastikan status dan regulasinya, serta mengetahui bagaimana data pasien dikelola dan disimpan. Pengalaman penggunaan teknologi di negara lain juga perlu diperhatikan, tetapi tidak serta-merta menjadi dasar untuk langsung menerapkannya di Indonesia.
Anis menyebut teknologi yang akan digunakan perlu melalui penilaian teknologi kesehatan atau health technology assessment (HTA) untuk menilai kelayakannya. Keterlibatan manusia, mulai dari pengembangan dan pengujian hingga penerapan serta evaluasi, juga diperlukan agar pemanfaatan AI berjalan secara bertanggung jawab.
Ke depan, manfaat ExplainDengue akan sangat bergantung pada mutu data dan cara sistem ini diterapkan. Jika pengembangannya memenuhi kebutuhan layanan kesehatan dan tetap berada di bawah pengawasan manusia, platform tersebut dapat melengkapi upaya deteksi dini. Bagi tenaga kesehatan dan pemerintah daerah, teknologi ini berpotensi menjadi salah satu sumber informasi untuk merespons ancaman wabah dengan lebih terukur.

