BRIN mengembangkan AI untuk membantu triase pasien di IGD. Teknologinya menjanjikan efisiensi, tetapi satu kesalahan klasifikasi dapat mengubah prioritas pertolongan.
DI INSTALASI gawat darurat, beberapa menit bisa mengubah banyak hal.
Pasien yang datang dengan kondisi paling kritis tidak menunggu antrean seperti pasien lain. Tapi, harus dikenali lebih cepat, ditempatkan pada tingkat kegawatan yang tepat, lalu memperoleh pertolongan sesuai prioritas.
Itulah pekerjaan triase.
Dalam Australasian Triage Scale (ATS), pasien dibagi ke dalam lima kategori. Kategori 1 harus memperoleh penanganan segera. Kategori 2 memiliki batas maksimal 10 menit, kategori 3 selama 30 menit, kategori 4 selama 60 menit, dan kategori 5 sampai 120 menit.
Sekarang, kecerdasan artifisial mulai masuk ke ruang keputusan tersebut.
Badan Riset dan Inovasi Nasional (BRIN) tengah mengembangkan Sistem Pendukung Keputusan Triase berbasis Large Language Model (LLM) untuk membantu tenaga kesehatan menentukan tingkat kegawatan pasien di IGD.
Model yang digunakan bukan kecil. BRIN memakai Qwen3-32B, kemudian melakukan fine-tuning menggunakan dataset kasus triase. Sistem membaca informasi klinis seperti keluhan utama, riwayat penyakit, tanda vital, dan hasil pemeriksaan awal sebelum menghasilkan rekomendasi kategori ATS.
Teknologinya menjanjikan satu hal yang penting bagi IGD, konsistensi.
Tetapi dalam triase, pertanyaan terbesar bukan sekadar apakah AI dapat memberikan jawaban dengan cepat.
Pertanyaannya adalah apa yang terjadi jika jawabannya terlalu rendah?
Kesalahan Satu Tingkat Bisa Berarti Menunggu Lebih Lama
Inilah persoalan undertriage.
Undertriage terjadi ketika tingkat kegawatan pasien dinilai lebih rendah daripada kondisi sebenarnya. Seorang pasien yang semestinya masuk kelompok sangat mendesak bisa ditempatkan pada kategori yang membuatnya menunggu lebih lama.
Dalam sistem ATS, perbedaannya konkret.
Kategori 2 memiliki target maksimal 10 menit. Turun satu tingkat menjadi kategori 3 berarti batas waktunya menjadi 30 menit. Turun lagi ke kategori 4 berarti 60 menit.
Karena itu, BRIN memasukkan mekanisme guard rail ke dalam sistemnya untuk mengurangi risiko undertriage. Lapisan pengaman tersebut dirancang agar rekomendasi AI tetap berada dalam koridor keselamatan pasien.
Baca juga: AI Indonesia Masuk ke Prosedur Medis Paling Dasar di Rumah Sakit
Pilihan desain itu penting karena riset internasional menunjukkan kemampuan LLM dalam melakukan triase belum konsisten.
Sebuah studi terhadap 378 pasien yang membandingkan hasil triase dokter dan perawat dengan ChatGPT Plus serta Gemini Pro menemukan akurasi perawat mencapai 92 persen, sementara ChatGPT Plus sekitar 65 persen dan Gemini Pro 63 persen. Studi tersebut juga menemukan kecenderungan AI melakukan undertriage pada pasien emergensi.
Penelitian lain terhadap penggunaan ChatGPT dalam simulasi triase bencana menemukan akurasi keseluruhannya hanya 63,9 persen, sekaligus menunjukkan persoalan konsistensi hasil ketika pengujian diulang. (
Temuan-temuan itu tidak otomatis mencerminkan performa sistem BRIN. Model, dataset, metode, dan skenario penggunaannya berbeda.
Namun datanya memberi satu pesan penting. Akurasi rata-rata yang terlihat tinggi belum cukup untuk menentukan apakah suatu AI aman dipakai dalam keputusan berisiko tinggi.
Yang perlu diketahui justru kesalahan seperti apa yang dibuatnya dan pada pasien seperti apa kesalahan itu terjadi.
Dataset Bisa Menentukan Siapa yang Dibaca dengan Benar
AI belajar dari data.
Karena itu, kualitas sebuah sistem triase tidak hanya bergantung pada ukuran model, tetapi juga pada siapa yang terwakili dalam dataset pelatihannya.
Pasien anak berbeda dengan lansia. Gejala perempuan dalam sejumlah kondisi dapat berbeda dengan laki-laki. Pasien dengan penyakit penyerta juga dapat menunjukkan tanda klinis yang tidak sama dengan kasus “tipikal”.
Baca juga: Ebola Datang Saat Sistem Kesehatan Global Melemah
Jika kelompok tertentu kurang terwakili dalam dataset, performa rata-rata sebuah model dapat terlihat bagus meski tingkat kesalahannya lebih tinggi pada kelompok tertentu.
WHO menempatkan persoalan ini sebagai salah satu isu utama penggunaan AI dalam kesehatan. Organisasi itu memperingatkan bahwa model generatif dapat menghasilkan informasi yang keliru, memperkuat bias yang terdapat dalam data, serta membawa risiko terhadap keselamatan dan otonomi pasien. WHO mengeluarkan lebih dari 40 rekomendasi mengenai tata kelola model AI generatif untuk kesehatan.
Karena itu, BRIN belum menyatakan teknologinya siap diterapkan secara luas.
Tim masih memperluas dan mengkurasi dataset, melakukan validasi klinis bersama dokter dan tenaga kesehatan, menyempurnakan guard rail, serta memperkuat keamanan data dan keandalan sistem. Sejauh ini penelitian telah menghasilkan dua purwarupa perangkat lunak, satu artikel prosiding yang telah diterima, satu artikel jurnal dalam proses review, serta dataset triase yang terus dikurasi.
Justru tahap inilah yang paling menentukan.
Bukan seberapa meyakinkan AI menjawab, tetapi apakah kesalahannya sudah diketahui sebelum teknologi masuk ke pelayanan nyata.
Indonesia Juga Sedang Membangun Pagar AI Kesehatan
Eksperimen BRIN muncul ketika pemanfaatan AI dalam pelayanan kesehatan Indonesia berkembang cepat.
Kementerian Kesehatan mencatat AI antara lain sudah dimanfaatkan untuk skrining tuberkulosis menggunakan portable X-ray. Hingga 2025, teknologi tersebut telah digunakan untuk melakukan skrining terhadap sekitar 200 ribu orang. Validasi AI juga dilakukan pada pencitraan kanker paru, deteksi stroke iskemik, dan skrining TB massal.
Namun pemerintah mulai menaruh perhatian sama besarnya pada risikonya.
Pada Juni 2026, Kementerian Kesehatan menegaskan bahwa pengembangan AI kesehatan harus memperhitungkan bias algoritma, overdiagnosis, perlindungan data pasien, keamanan siber, informed consent, dan mekanisme telaah etik.
Pertanyaan tata kelolanya bahkan sudah diformulasikan secara eksplisit oleh Badan Kebijakan Pembangunan Kesehatan. Bagaimana Indonesia membangun kerangka AI kesehatan yang menjamin keamanan, keselamatan pasien, perlindungan data pribadi, dan keandalan hasil AI di fasilitas pelayanan kesehatan.
Isu data menjadi penting karena informasi kesehatan bukan data biasa.
Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi menempatkan data dan informasi kesehatan sebagai data pribadi yang bersifat spesifik.
Artinya, ketika sebuah AI membaca riwayat penyakit, tanda vital, atau catatan pemeriksaan untuk menghasilkan rekomendasi klinis, persoalannya tidak berhenti pada kecanggihan algoritma.
Ada pertanyaan tentang siapa yang boleh mengakses data, bagaimana data disimpan, untuk apa data dapat digunakan kembali, dan bagaimana pasien dilindungi ketika sistem terhubung dengan infrastruktur digital kesehatan yang lebih luas.
AI Membantu, Manusia Memutuskan
Ada satu batas yang sejak awal dibuat BRIN dengan cukup jelas.
Sistem tersebut merupakan decision support system.
Bukan dokter digital.
Rekomendasi kategori triase yang dikeluarkan AI tetap harus divalidasi oleh dokter atau petugas kesehatan.
Batas ini penting karena teknologi kesehatan akan semakin sering bergerak dari sekadar membaca data menuju memberikan rekomendasi.
Pada titik tersebut, pertanyaan tentang AI berubah.
Bukan lagi hanya bisakah mesin melakukannya?
Tetapi, kapan manusia boleh mempercayainya, kapan manusia harus mengoreksinya, dan siapa yang bertanggung jawab ketika keduanya berbeda pendapat?
Baca juga: AI Tumbuh, Data Center Butuh Aturan Hijau
AI mungkin bisa membantu IGD membaca banyak informasi dengan lebih cepat dan konsisten. Dalam sistem kesehatan yang menghadapi beban pelayanan tinggi, kemampuan itu bernilai besar.
Tetapi triase mempunyai ukuran keberhasilan yang lebih keras daripada sekadar kecepatan.
Pasien yang gawat harus dikenali sebagai pasien gawat.
Karena ketika algoritma memasuki ruang tempat menit dapat menentukan keselamatan manusia, teknologi terbaik bukan yang paling berani mengambil keputusan.
Melainkan yang paling tahu kapan keputusan terakhir harus tetap berada di tangan manusia. ***
- Foto: RDNE/ Pexels – Seorang tenaga kesehatan memeriksa tekanan darah pasien di ruang perawatan sebagai bagian dari penilaian awal kondisi klinis. Di tahap inilah data dasar pasien—mulai dari keluhan hingga tanda vital—menjadi fondasi penting dalam proses triase di layanan gawat darurat.
