Badan Riset dan Inovasi Nasional (BRIN) mengembangkan model kecerdasan buatan untuk membantu tenaga kesehatan menentukan tingkat kegawatan pasien di instalasi gawat darurat (IGD). Pengumuman hasil pengujian awal, yang disampaikan oleh Perekayasa Ahli Muda Pusat Riset Sains Data dan Informasi BRIN, Nuraisa Novia Hidayati, menunjukkan model masih memerlukan peningkatan sebelum dapat diandalkan untuk pengambilan keputusan klinis.
“Dalam pengembangannya, tim menggunakan 4.556 kasus yang telah diberi label, dengan 456 kasus disisihkan untuk pengujian. Hasil pengujian menunjukkan model memprediksi tingkat triase secara tepat pada 63,60% kasus. Sebanyak 97,15% prediksi memiliki selisih paling jauh satu tingkat dari label acuan,” ujar Nuraisa dalam keterangan resmi, Minggu (25/10).
Metode pengujian dan temuan utama
Menurut keterangan BRIN, tim memakai dataset berlabel sebanyak 4.556 kasus klinis, lalu menyisihkan 456 kasus untuk pengujian. Model dikembangkan mengacu pada Australasian Triage Scale (ATS), yakni skala untuk mengelompokkan pasien berdasarkan tingkat kegawatan dan kebutuhan waktu penanganan. Proses pengembangan meliputi pelabelan data, pembersihan narasi klinis, pelatihan model, dan uji coba prototipe triase elektronik (e-triage).
Hasil uji awal menunjukkan beberapa metrik penting:
- Akurasi prediksi tepat pada tingkat triase: 63,60%.
- Proporsi prediksi yang meleset paling jauh satu tingkat dari label acuan: 97,15%.
- Jumlah kasus undertriage pada data uji: 68 kasus atau 14,91%.
Undertriage berarti model memperkirakan tingkat kegawatan pasien lebih rendah dibandingkan label acuan, kesalahan yang berisiko menunda prioritas penanganan pasien.
Upaya mitigasi dan batasan
Untuk mengurangi risiko kesalahan, tim BRIN mengembangkan mekanisme pengaman berbasis aturan klinis (safety guardrail). Mekanisme ini dirancang mengenali indikator tanda bahaya sehingga dapat menaikkan urgensi rekomendasi ketika kondisi pasien memenuhi kriteria tertentu. BRIN juga menggunakan prototipe e-triage sebagai sarana pengujian integrasi antara model AI dan proses kerja klinis.
BRIN menekankan bahwa meskipun sebagian besar prediksi berada dalam jarak satu tingkat dari label acuan, tingkat kecocokan identik masih rendah sehingga model belum siap menggantikan penilaian klinis. Tim menyatakan perlunya perbaikan—termasuk perluasan dataset, peningkatan kualitas pelabelan, dan pengujian lapangan lebih luas—sebelum penerapan pada layanan IGD secara langsung.
Implikasi bagi layanan darurat
Penerapan alat bantu AI pada IGD menjanjikan percepatan triase dan konsistensi penentuan prioritas. Namun, kesalahan undertriage yang ditemukan menjadi perhatian utama karena dapat berdampak pada keselamatan pasien. Pengembang dan fasilitas kesehatan harus menyeimbangkan potensi efisiensi dengan kewaspadaan terhadap risiko klinis.
Praktik internasional menyarankan integrasi AI sebagai sistem pendukung keputusan, bukan pengambil keputusan tunggal, disertai pengawasan klinis dan mekanisme aman. BRIN sudah mengambil langkah serupa dengan memasang aturan klinis sebagai lapis proteksi.
Sekalipun data awal menunjukkan beberapa kelemahan, pengembangan ini menjadi bagian dari upaya memanfaatkan kecerdasan buatan untuk memperkuat layanan kesehatan darurat di Indonesia. Langkah berikut yang disebutkan BRIN meliputi peningkatan dataset, validasi eksternal di fasilitas kesehatan, dan evaluasi dampak pada alur kerja tenaga kesehatan.
| Aspek | Angka/temuan |
|---|---|
| Kasus berlabel yang digunakan | 4.556 |
| Kasus untuk pengujian | 456 |
| Akurasi prediksi tepat | 63,60% |
| Prediksi selisih ≤ 1 tingkat | 97,15% |
| Kasus undertriage | 68 (14,91%) |
BRIN tidak mengumumkan jadwal uji coba lanjutan atau fasilitas kesehatan mitra untuk pengujian lapangan pada keterangan yang dipublikasikan. Pernyataan resmi dan angka kinerja model diambil dari keterangan BRIN pada 25 Oktober 2026.
