Peneliti Pusat Kedokteran Tropis (PKT) Universitas Gadjah Mada tengah mengembangkan ExplainDengue, platform berbasis kecerdasan buatan untuk membantu mendeteksi potensi ancaman wabah demam berdarah dengue (DBD). Sistem ini dirancang mengolah data kasus dan kondisi lingkungan untuk memperkirakan perubahan risiko serta wilayah yang berpotensi mengalami peningkatan kasus.
Peneliti PKT UGM, Dr. Anis Fuad, mengatakan ExplainDengue menghubungkan berbagai sumber informasi yang selama ini dapat memberi gambaran tentang penyakit. Data tersebut mencakup riwayat kasus DBD di fasilitas kesehatan, kondisi iklim dan cuaca, serta curah hujan.
“Selanjutnya AI akan membuat prediksi kira-kira ke depan itu penderita penyakit demam berdarah naik turunnya di mana dan seterusnya,” kata Anis. Prediksi tersebut diharapkan menjadi masukan bagi sistem kewaspadaan dini, bukan pengganti penilaian tenaga kesehatan maupun keputusan pemerintah.
ExplainDengue menggabungkan data kasus dan cuaca
Penggabungan data kasus dengan informasi iklim dan cuaca menjadi salah satu cara platform ini membaca perubahan risiko DBD. Riwayat penderita dari waktu ke waktu dapat memberi gambaran pola kasus, sementara data lingkungan menjadi sumber informasi lain yang ikut dianalisis oleh sistem.
Dengan pendekatan tersebut, tim peneliti ingin membantu memperkirakan kapan dan di mana risiko peningkatan kasus mungkin muncul. Hasil analisis dapat memberi petunjuk awal kepada pihak terkait untuk mencermati perkembangan situasi, terutama ketika sejumlah sumber data menunjukkan pola yang perlu diperhatikan.
Namun, ExplainDengue masih dalam tahap pengembangan. UGM tidak menyebut platform tersebut sebagai sistem yang telah menggantikan pemantauan maupun respons kesehatan yang sudah berjalan. Fungsinya diarahkan untuk melengkapi sistem kewaspadaan dini yang dimiliki pemerintah.
Rekam medis IGD dipakai membaca gejala awal
Selain data kasus DBD, tim PKT UGM memanfaatkan Rekam Medis Elektronik (RME) dari Instalasi Gawat Darurat (IGD). Catatan ini memuat informasi keluhan dan riwayat pasien saat datang ke rumah sakit, yang kemudian dapat diolah untuk mencari pola gejala tertentu.
Dalam proses itu, kumpulan gejala utama pasien dimasukkan ke large language model (LLM). Model tersebut membantu mengidentifikasi apakah pola gejala yang tercatat berpotensi berkaitan dengan penyakit yang dapat memicu 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.
Jika pola penyakit dapat dikenali lebih cepat dari data berbagai fasilitas kesehatan, dinas kesehatan diharapkan memperoleh informasi awal untuk mempertimbangkan respons. Sistem ini juga dapat membantu petugas yang mengisi rekam medis elektronik dengan memberikan penanda mengenai kemungkinan suatu penyakit berpotensi menjadi KLB.
AI menjadi alat bantu, keputusan tetap di tangan manusia
Anis menegaskan, keluaran ExplainDengue tetap berupa masukan. Pengguna, termasuk pihak yang berwenang, perlu menilai informasi tersebut sebelum menentukan langkah. “Dia akan membantu kita dalam memberikan input, berupa keputusan apakah ini berpotensi KLB atau tidak. Tapi tetap kita yang kontrol,” katanya.
Prinsip kendali manusia juga penting karena analisis AI bergantung pada mutu informasi yang diterima. Sistem membutuhkan data yang akurat, lengkap, konsisten, dan terus diperbarui agar hasil analisisnya dapat semakin baik. Jika pasokan data tidak memadai atau tidak berkesinambungan, kemampuan sistem untuk membaca pola juga dapat terbatas.
“Kalau misalnya AI yang nanti kita bangun kemudian mendapatkan suplai data yang akurat, lengkap, komplit, dan konsisten, data itu juga akan terus muncul masuk sehingga nanti AI ini bisa lebih ‘lebih pintar juga’,” jelas Anis.
Tata kelola diperlukan sebelum AI diterapkan
Pengembangan platform bukan satu-satunya pekerjaan yang perlu diperhatikan. Pemanfaatan AI dalam pelayanan kesehatan juga membutuhkan tata kelola dan evaluasi yang cermat, termasuk pemahaman tentang cara kerja teknologi serta bagaimana data pasien dikelola dan disimpan.
Anis mengingatkan bahwa teknologi AI yang dikembangkan di luar negeri tidak dapat langsung digunakan untuk menangani pasien di Indonesia. Fasilitas kesehatan perlu memeriksa status dan regulasinya, memahami pengelolaan data, serta melihat hasil penggunaan teknologi tersebut di negara lain. Sebelum diterapkan, teknologi juga perlu melalui penilaian teknologi kesehatan atau health technology assessment (HTA) untuk mengukur kelayakannya.
Keterlibatan manusia, menurut Anis, dibutuhkan sejak pengembangan dan pengujian hingga penerapan serta evaluasi. Dengan pengawasan tersebut, AI dapat dimanfaatkan sebagai pendukung kerja tenaga kesehatan tanpa mengambil alih keputusan akhir.
ExplainDengue menunjukkan bagaimana data kesehatan dan lingkungan dapat digunakan untuk memperkuat kewaspadaan terhadap DBD. Manfaatnya ke depan akan bergantung pada kualitas data, evaluasi, dan tata kelola yang menyertai penerapannya. Anis mendorong penggunaan AI secara bijak, sesuai kebutuhan, dan dengan kendali manusia tetap terjaga.
