Jurnal Siti Rufaidah Volume 3.
Nomor 4.
November 2025 e-ISSN: 3032-1344.
p-ISSN: 3032-1336.
Hal 310-326 DOI: https://doi.
org/10.
57214/jasira.
Tersedia: https://journal.
org/index.
php/JASIRA Pemanfaatan Artificial Intelligence dalam Pengambilan Keputusan Klinis dan Manajemen Pasien Gawat Darurat di Bidang Anestesiologi: Sebuah Scoping Review Ririn Zuhairini1*.
Waode Natasyah2.
Waode Nurfadillah3.
Indry Filzani Putri4.
Nur Sapikah5 Universitas AoAisyiyah Yogyakarta.
Indonesia Korespondensi penulis: ohorella511@gmail.
Abstract.
Anesthesiology and emergency care require rapid and accurate clinical decision-making.
Artificial intelligence (AI) offers substantial potential to support triage, monitoring, and decision-making in critical and emergency anesthesiology settings.
This scoping review maps the use of AI in clinical decision-making and emergency patient management in anesthesiology and identifies existing research gaps.
A literature search was conducted in ScienceDirect.
PubMed.
Cochrane Library, and Google Scholar for articles in Indonesian or English published between 2020 and 2025.
Study selection followed TriccoAos scoping review framework, and methodological quality was assessed using Joanna Briggs Institute (JBI) tools.
Ten articles met the inclusion AI was shown to improve triage accuracy and efficiency .
redictive accuracy up to 99.
1% and reductions in waiting time of around 30%).
Machine learning models effectively predicted critical care needs and emergency risk, while AI-based clinical decision support systems (CDSS) enhanced the speed and quality of clinical Key challenges include data bias, ethical and privacy issues, clinician readiness, and integration with hospital information systems.
AI and CDSS have strong potential to improve patient safety and clinical decisionmaking in emergency anesthesiology.
Strengthening AI literacy, supportive regulation, and transparent, contextappropriate predictive models are needed for safe and sustainable implementation.
Keywords: Anestesi.
Artificial Intelligence (AI).
Health Personnel.
Human-AI Interaction.
Triage.
Abstrak.
Anestesiologi dan pelayanan gawat darurat menuntut keputusan yang cepat dan akurat.
Artificial Intelligence (AI) berpotensi mendukung triase, pemantauan, dan pengambilan keputusan klinis pada situasi kritis.
Scoping review ini memetakan pemanfaatan AI dalam pengambilan keputusan klinis dan manajemen pasien gawat darurat di bidang anestesiologi serta mengidentifikasi kesenjangan riset.
Pencarian literatur dilakukan di ScienceDirect.
PubMed.
Cochrane Library, dan Google Scholar untuk artikel berbahasa Indonesia/Inggris terbit 2020Ae2025.
Seleksi mengikuti kerangka Tricco dan kualitas dinilai dengan Joanna Briggs Institute (JBI).
Sebanyak 10 artikel dianalisis.
AI meningkatkan akurasi dan efisiensi triase .
kurasi hingga 99,1% dan pemangkasan waktu tunggu sekitar 30%).
Model machine learning mampu memprediksi kebutuhan perawatan kritis dan risiko kegawatdaruratan, sementara CDSS berbasis AI mempercepat dan memperbaiki kualitas keputusan klinis.
Tantangan utama meliputi bias data, isu etikaAeprivasi, kesiapan tenaga medis, dan integrasi AI dan CDSS berpotensi meningkatkan keselamatan pasien dan kualitas keputusan klinis pada anestesiologi gawat darurat.
Diperlukan penguatan literasi AI, regulasi pendukung, dan pengembangan model yang transparan agar implementasi berjalan aman dan berkelanjutan.
Kata kunci: Anestesi.
Artificial Intelligence (AI).
Interaksi Manusia-AI.
Tenaga Kesehatan.
Triage.
LATAR BELAKANG
Bidang anestesiologi merupakan salah satu cabang kedokteran yang sangat bergantung pada ketepatan, kecepatan, dan keamanan dalam pengambilan keputusan klinis.
Peran Anestesiologi tidak hanya terbatas pada pemberian anestesi umum, tetapi juga mencakup pemantauan menyeluruh terhadap kondisi fisiologis pasien sebelum, selama, dan setelah tindakan pembedahan.
Dalam dua dekade terakhir, kemajuan teknologi informasi dan komputasi telah membawa perubahan signifikan pada praktik anestesi, terutama dengan Naskah Masuk: 17 September 2025.
Revisi: 21 Oktober 2025.
Diterima: 28 November 2025.
Terbit: 30 November 2025 Pemanfaatan Artificial Intelligence dalam Pengambilan Keputusan Klinis dan Manajemen Pasien Gawat Darurat di Bidang Anestesiologi: Sebuah Scoping Review munculnya konsep Artificial Intelligence (AI) yang mampu mendukung proses pengambilan keputusan secara real-time untuk meningkatkan keselamatan pasien dan efisiensi kerja klinis (BogoE et al.
, 2.
Kegawatdaruratan dalam bidang anestesi merupakan situasi kritis yang memerlukan respons cepat dan tepat untuk mencegah morbiditas dan mortalitas.
Data global menunjukkan bahwa insiden kejadian gawat darurat perioperatif, seperti henti jantung intraoperatif dan komplikasi respirasi, masih mencapai angka yang signifikan dengan mortalitas berkisar 1Ae4% tergantung kompleksitas tindakan bedah dan kondisi pasien (Duran et al.
, 2.
Di rumah sakit dengan volume pembedahan tinggi, perioperative cardiac arrest dilaporkan sekitar 4Ae7 kasus 000 anestesi, sedangkan komplikasi respirasi berat terjadi pada 0,3Ae0,5% dari tindakan anestesi elektif.
Temuan ini menegaskan pentingnya kesiapsiagaan anestesiolog dalam menghadapi situasi gawat darurat yang kompleks dan dinamis (Singhal et al.
, 2.
Kondisi ini menegaskan pentingnya kesiapsiagaan anestesiologi dalam menghadapi situasi gawat darurat yang kompleks dan dinamis.
Keterkaitan antara anestesiologi dan kegawatdaruratan sangat erat karena keduanya beroperasi dalam kondisi klinis yang memerlukan keputusan cepat dan tepat untuk mempertahankan keselamatan pasien.
Anestesiolog berperan penting dalam tim tanggap darurat rumah sakit, terlibat langsung dalam manajemen airway obstruction, cardiac arrest, serta krisis perioperatif yang membutuhkan stabilisasi cepat.
Dalam konteks ini, anestesiolog sering kali dihadapkan pada beban kerja tinggi, situasi tekanan waktu, dan risiko kesalahan klinis akibat kelelahan fisik maupun mental.
Studi terbaru menegaskan bahwa kelelahan merupakan salah satu faktor utama yang menurunkan tingkat kewaspadaan dan meningkatkan risiko kesalahan dalam pengambilan keputusan anestesi, terutama dalam situasi gawat darurat yang dinamis (Redfern et al.
, 2.
Salah satu komponen vital dalam sistem kegawatdaruratan adalah proses triase, yaitu pengelompokan pasien berdasarkan tingkat urgensi medis.
Triase konvensional masih sangat bergantung pada penilaian subjektif tenaga medis sehingga rentan terhadap kesalahan klasifikasi, terutama dalam kondisi beban pasien tinggi.
Pemanfaatan Artificial Intelligence (AI) dalam sistem triase terbukti mampu meningkatkan akurasi dan efisiensi pelayanan di instalasi gawat darurat.
Berbagai studi menunjukkan bahwa algoritma AI, seperti machine learning dan neural networks, mampu mengidentifikasi pasien berisiko tinggi dengan akurasi hingga 99% serta mempercepat proses klasifikasi dibandingkan metode manual (Yi et al.
Jurnal Siti Rufaidah - Volume 3.
Nomor, 4 November 2025 e-ISSN: 3032-1344.
p-ISSN: 3032-1336.
Hal 310-326 Dalam konteks anestesiologi, penerapan Clinical Decision Support System (CDSS) berbasis AI menjadi salah satu inovasi penting dalam mendukung pengambilan keputusan klinis di situasi gawat darurat.
CDSS membantu anestesiolog dengan memberikan rekomendasi berbasis algoritma prediktif untuk mencegah komplikasi intraoperatif seperti hipotensi, hipoksemia, atau henti jantung.
AI juga digunakan untuk memantau kedalaman anestesi, mengoptimalkan dosis obat, dan memprediksi kebutuhan intervensi secara real-time (Kapoor & Garg, 2.
Berdasarkan fenomena tersebut, scoping review ini bertujuan untuk memetakan bukti ilmiah mengenai pemanfaatan Artificial Intelligence dalam pengambilan keputusan klinis dan manajemen pasien gawat darurat di bidang anestesi.
Kajian ini diharapkan dapat memberikan pemahaman komprehensif terkait perkembangan, tantangan, serta arah masa depan integrasi
AI dalam meningkatkan keselamatan dan efektivitas layanan anestesi pada situasi gawat
METODE PENELITIAN
Metode yang digunakan dalam review ini Adalah scoping review.
Kajian ini mengikuti kerangka yang telah di tetapkan oleh Tricco .
dengan langkah-langkah sebagai berikut:
Mengidentifikasi Pertanyaan Scoping Review Pertanyaan review ini Adalah Bagaimana AI dimanfaatkan untuk mendukung pengambilan keputusan klinis dan manajemen pasien gawat darurat di bidang anestesiologi, apa tipe aplikasinya, luaran yang dievaluasi, dan kesenjangan riset saat ini?.
Perumusan pertanyaan penelitian ini menggunakan kerangka model PCC yang diuraikan pada table Tabel 1.
Kerangka Model PCC.
Population (P) Concept (C) Context (C) Pasien .
ewasa & ana.
Pemanfaatan teknologi Lingkungan Artificial Intelligence dalam gawat keputusan praktik anestesiologi.
klinis dan manajemen pasien.
Mengidentifikasi Artikel yang Relavan Pencarian literatur menggunakan tiga database yaitu cienceDirect.
Pubmed.
Cochrane Library dan pencarian manual Google Scholar.
Selanjutnya identifikasi artikel yang relevan didasarkan pada kriteria sebagai berikut :
Kriteria inklusi dan eksklusi Pemanfaatan Artificial Intelligence dalam Pengambilan Keputusan Klinis dan Manajemen Pasien Gawat Darurat di Bidang Anestesiologi: Sebuah Scoping Review Table 2.
Kriteria Inklusi dan Eksklusi.
Kriteria inklusi Penelitian diterbitkan dalam Bahasa inggris dan Indonesia Artikel yang diterbitkan tahun 2020-2025 Kriteria eksklusi Meta-analysis artikel Protocol review Istilah pencarian utama Strategi pencarian literatur menggunakan database yang digunakan dalam pertanyaan penelitian yang digunakan sebagai dasar mementukan kata (Harari et al.
, 2.
Kata kunci yang digunakan adalah Clinical Decision Support Systems*AND Health Personnel* AND Triage* AND anestesi* AND Human-AI interaction*.
Seleksi Artikel Penyaringan artikel dilakukan dengan bantuan Covidence.
Tahapan seleksi kemudian dideskripsikan melalui diagram alir PRISMA yang dirancang guna memperjelas proses seleksi.
Diagram PRISMA pada penelitian ini adalah sebagai berikut:
Jurnal Siti Rufaidah - Volume 3.
Nomor, 4 November 2025 e-ISSN: 3032-1344.
p-ISSN: 3032-1336.
Hal 310-326 Data Charting Tabel 3.
Data Charting.
Item
Number
Author, (Fylix Amiot et
, 2025,
Franc.
Title Design Artificial Intelligence (AI) Emergency Medicine:
Balancing Opportunities and Challenges Viewpoint / Narrative Review Artikel ini menyoroti potensi besar AI, khususnya Large Language Models (LLM.
seperti ChatGPT, dalam triase, dan pengambilan keputusan di instalasi gawat Namun, terdapat risiko seperti hallucination, bias data, dan keterbatasan Ditekankan pentingnya Explainable AI (XAI) serta pelatihan tenaga medis untuk implementasi aman dan etis.
AI-driven triage terbukti mengurangi waktu tunggu hingga 30%, meningkatkan akurasi prioritas pasien, dan efisiensi alokasi sumber daya di instalasi gawat darurat (IGD).
Sistem ini juga menurunkan beban kerja klinisi dengan menghasilkan penilaian risiko objektif dan Tantangan utama mencakup bias algoritma.
Rekomendasi penyempurnaan algoritma, integrasi dengan perangkat wearable, serta pelatihan tenaga medis.
AI diharapkan menjadi solusi kunci untuk keadilan, dan efektivitas triase darurat.
Dari 17 studi dengan total 14 machine learning .
eperti random forest, gradient boosting, dan decision tre.
(Adebayo DaAoCosta et
, 2025,
United Kingdo.
AI-driven triage in review of benefits, future directions Narrative Review
(Qasem Ahmed
Almulihi et
, 2024,
Applications Artificial Intelligence and Machine Learning Emergency Systematic Review Pemanfaatan Artificial Intelligence dalam Pengambilan Keputusan Klinis dan Manajemen Pasien Gawat Darurat di Bidang Anestesiologi: Sebuah Scoping Review Saudi Arabi.
Medicine Triage:
Systematic Review (Abubaker Clinical Impact of Zakria Artificial Ahmed Intelligence-Based Abdalhalim Triage Systems in et al.
, 2025,
Emergency Oma.
Departments: A Systematic Review Systematic Review (Nigil Kuttan et Systematic Review Transforming Emergency terbukti lebih akurat daripada sistem triase konvensional kebutuhan perawatan kritis, lama rawat inap, dan hasil Model menjadi yang paling efektif.
AI mempercepat diagnosis, triase, dan meningkatkan keputusan di IGD.
Hasil konsisten menunjukkan AI kecepatan dan ketepatan triase serta prediksi kondisi pasien secara signifikan dibanding metode manual.
Berdasarkan enam studi .
0Ae2.
dari Korea.
Jerman.
Yunani.
Taiwan, dan China, triase, mengurangi waktu dokumentasi hingga 19%, dan menurunkan tingkat kesalahan triase .
3Ae8.
Machine learning dan voice-based AI memperbaiki akurasi dan kecepatan pencatatan, serta membantu identifikasi pasien kritis lebih cepat.
Namun, tantangan utama meliputi keterbatasan validasi multicenter, serta Disimpulkan bahwa AI meningkatkan kinerja IGD, standarisasi evaluasi, validasi lebih luas, dan algoritma (Explainable AI) sebelum implementasi luas.
Berdasarkan 82 artikel yang Jurnal Siti Rufaidah - Volume 3.
Nomor, 4 November 2025 e-ISSN: 3032-1344.
p-ISSN: 3032-1336.
Hal 310-326
, 2025,
Indi.
Medicine Artificial Intelligence: From Triage to Clinical Decision Support (Kyle W.
Eastwood et al.
, 2023,
Canad.
Needs Expectations for Artificial Intelligence Emergency Medicine According Canadian Physicians Crosectional Mixedmethod Survey (Fatiha Farah Santi Dewi.
Peran
Clinical Decision Support
System
(CDSS)
Narrative Literature Review kerangka PRISMA.
AI di IGD diagnosis, dan kecepatan Sistem seperti TriageGO membantu identifikasi pasien risiko tinggi.
Tantangan algoritma, privasi data, dan Direkomendasikan pengembangan explainable AI dan pelatihan tenaga medis untuk penerapan aman dan efektif.
Survei terhadap 230 dokter Kanada menunjukkan bahwa AI dianggap berpotensi tinggi untuk meningkatkan efisiensi dan mengurangi beban kerja charting/report generation dan clinical decision support.
Tiga area prioritas tertinggi dokumentasi, penggunaan komputer, dan triase pasien.
Sekitar 87% responden percaya AI akan berdampak menyatakan minat tinggi terhadap penerapan AI di IGD.
Meski demikian, hanya 6% memiliki pemahaman penuh tentang konsep AI.
Hasil utama menegaskan user-centered design dan keterlibatan dokter dalam pengembangan AI untuk meningkatkan kepercayaan tenaga medis.
CDSS meningkatkan akurasi triase 20Ae40% dan efisiensi waktu 30Ae45% dibanding metode manual.
Sistem AI- Pemanfaatan Artificial Intelligence dalam Pengambilan Keputusan Klinis dan Manajemen Pasien Gawat Darurat di Bidang Anestesiologi: Sebuah Scoping Review Indonesi.
(Suryani.
Indonesi.
(John Michael
Hoppe et
, 2024,
German.
Meningkatkan Efisiensi Akurasi Triase di IGD:
Literature Review 2015Ae based lebih akurat daripada rule-based, menghadapi tantangan bias data, etika, dan infrastruktur.
Di Indonesia, penerapan CDSS masih terbatas dan belum terintegrasi dalam SIMRS secara penuh.
Penerapan Retrospective Model (XGBoos.
Artificial cohort study mencapai akurasi 87%.
Intelligence dalam Prediksi Kegawatdaruratan Penyakit Katastropik pasien penyakit katastropik.
AI terbukti 3,2 kali lebih efektif dibanding metode dengan kejadian darurat .
<0,.
Faktor utama prediktor kegawatan adalah usia >60 tahun, tekanan darah rendah, dan kadar laktat tinggi.
Disimpulkan mempercepat deteksi pasien meningkatkan pengambilan keputusan klinis di IGD.
ChatGPT With Retrospective Studi terhadap 100 pasien di GPT-4 Comparative unit Outperforms Study menunjukkan bahwa GPT-4 Emergency memiliki akurasi diagnostik Department lebih tinggi .
kor 1,76/.
Physicians dibanding GPT-3.
,51/.
Diagnostic dan dokter residen .
,59/.
Accuracy:
GPT-4 secara signifikan Retrospective unggul pada kasus penyakit Analysis .
=0,.
endokrin/gastrointestinal .
=0,.
Secara GPT-4 menunjukkan potensi besar sebagai alat pendukung diagnosis darurat yang cepat dan akurat, meskipun masih Jurnal Siti Rufaidah - Volume 3.
Nomor, 4 November 2025 e-ISSN: 3032-1344.
p-ISSN: 3032-1336.
Hal 310-326
A10
(Nayeon Yi et al.
, 2025,
South Kore.
The Effects of Applying Artificial Intelligence Triage in the Emergency Department:
Systematic Review Prospective Studies Systematic Review (Prospective Studie.
lanjutan terkait keamanan data dan integrasi klinis.
Dari 1633 studi, tujuh menunjukkan bahwa AIbased triage meningkatkan .
,5Ae 99,1%), undertriage dan overtriage, serta mempercepat waktu Model fuzzy logic mencapai akurasi 99%, sensitivitas dan spesifisitas 99%, sedangkan model machine learning dan deep learning .
eperti TabNet.
SHAP.
menunjukkan AUC 0,83Ae0,88.
AI membantu keputusan triase dan efisiensi alur pasien di IGD, meski tantangan seperti bias data, keterbatasan sampel, dan variasi algoritma masih ada.
Critical Appraisal Critical appraisal dalam scoping review ini menggunakan Joanna Briggs Institute (JBI) critical appraisal tool pada 15 artikel yang telah ditemukan.
Selanjutnya penulis membuat total nilai dari hasil critical appraisal pada masing-masing artikel.
Chekclist JBI mampu menilai kualitas penelitian dengan desain metodologi yang beragam, sehingga memberikan evaluasi yang lebih komprehensif (Hilton, 2.
Tabel 4.
Critical Appraisal.
Article Code Critical Appraisal Tools JBI Tools for Text and opinion papers JBI Tools for Text and opinion papers JBI Tools for Systematic Reviews and Research Syntheses JBI Tools for Systematic Reviews and Research Syntheses JBI Tools for Systematic Reviews and Research Syntheses JBI Tools for Analytical Cross Sectional Studies JBI Tools for Text and Opinion Papers JBI Tools for Retrospective cohort study JBI Tools for Diagnostic Test Accuracy Studies A10 JBI Tools for Systematic Reviews and Research Syntheses Dari 10 artikel terpilij, terdapat 7 artikel masuk dalam kategori sangat baik (A) dan 3 artikel masuk dalam kategori baik (B).
Pemanfaatan Artificial Intelligence dalam Pengambilan Keputusan Klinis dan Manajemen Pasien Gawat Darurat
di Bidang Anestesiologi: Sebuah Scoping Review
HASIL DAN PEMBAHASAN
Hasil Penelitian Sebanyak 176 artikel yang eligible dari science direct, scopus, cochraine dan pubmed.
Ada 10 artikel yang dilakukan ekstraksi.
Beberapa artikel dikeluarkan karena hanya berupa diskusi dan teori, tidak membahas tentang perawat, artikel tidak berkaitan dengan topik.
Artikel dibatasi pada Bahasa inggris dan Bahasa Indonesia.
Hasil penyaringan artikel didapatkan 4 systematic review & research synthesis, 3 narrative/viewpoint/text & opinion, 1 survei crosectional/mixed-method, 1 observasional retrospektif/AucohortAy dan 1 studi akurasi diagnostik Dari 10 artikel yang lolos seleksi menunjukkan sebaran geografis yang luas dan memotret lanskap riset AI di layanan gawat darurat.
Penelitian ini dari berbagai negara diantaranya 1 jurnal dari Prancis , 1 jurnal dari Inggris , 1 jurnal dari Arab Saudi, 1 jurnal dari Oman, 1 jurnal dari India, 1 jurnal dari Kanada, 2 jurnal dari Indonesia, 1 jurnal dari Jerman (A.
, dan 1 jurnal dari Korea Selatan (A.
, dengan fokus utama pada praktik triase dan pengambilan keputusan klinis di Instalasi Gawat Darurat (IGD/ED).
Artikel- artikel ini merangkum tema tentang penerapan AI di IGD/ED, mulai dari peningkatan mutu triase berbantuan AI .
kurasi dan kecepatan klasifikasi pasien.
pengurangan under/over-triag.
, prediksi luaran klinis dan kebutuhan sumber daya melalui model machine/deep learning .
risiko perburukan, kebutuhan rawat inap/ICU, prioritas penangana.
, serta penguatan clinical decision support (CDSS) bagi dokter dan perawat dalam pengambilan keputusan real-time.
Beberapa artikel menyoroti otomatisasi dokumentasi dan integrasi dengan rekam medis elektronik untuk memangkas beban pencatatan di ruang triase.
Ada pula kajian akurasi diagnostik yang membandingkan performa model berbasis LLM dengan klinisi pada skenario gawat darurat tertentu.
Di sisi implementasi, tema yang berulang meliputi kualitas data & bias, privasi dan keamanan, kebutuhan Explainable AI agar rekomendasi mudah dipahami, kesiapan infrastruktur, pelatihan pengguna, serta validasi multi-pusat dan evaluasi dampak klinis sebelum adopsi luas.
Secara garis besar dari ke 10 artikel ini di dapatkan tema :
Tema 1: Efektivitas AI dalam triase IGD Penerapan Artificial Intelligence (AI) dalam sistem triase di instalasi gawat darurat (IGD) secara nyata meningkatkan akurasi dan efisiensi klasifikasi pasien.
AI mampu menganalisis data pasien secara real-time seperti tanda vital, riwayat medis, dan gejala klinis, sehingga mempercepat pengambilan keputusan dan mengurangi waktu tunggu hingga 30%, serta mempercepat penanganan pasien kritis hingga 20% (DaAoCosta et al.
, 2.
Selain itu, sistem berbasis machine learning dan neural network menunjukkan tingkat akurasi prediksi triase Jurnal Siti Rufaidah - Volume 3.
Nomor, 4 November 2025 e-ISSN: 3032-1344.
p-ISSN: 3032-1336.
Hal 310-326 antara 80,5% hingga 99,1%, sekaligus menurunkan kasus overtriage dan undertriage (Yi et al.
Tema 2: kinerja model machine learning (ML) meningkatkan prediksi hasil klinis & pengambilan Keputusan Penerapan machine learning (ML) dalam bidang kesehatan telah terbukti secara signifikan meningkatkan kemampuan prediksi hasil klinis dan pengambilan keputusan medis, terutama pada kondisi gawat darurat.
ML berfungsi menganalisis data seperti tanda vital, hasil laboratorium, dan rekam medis elektronik untuk mengenali pola yang mungkin tidak terdeteksi oleh metode konvensional, sehingga memungkinkan diagnosis dini dan intervensi cepat.
Berdasarkan tinjauan sistematis oleh Almulihi et al.
, .
yang melibatkan lebih dari 14 juta data pasien di 17 studi, algoritma seperti random forest, gradient boosting, dan deep neural network terbukti memiliki akurasi dan area under the curve (AUC) di atas 0,8, melebihi sistem triase tradisional dalam memprediksi kebutuhan perawatan kritis, lama rawat inap, dan risiko mortalitas di instalasi gawat darurat.
Model gradient boosting khususnya menunjukkan kinerja paling konsisten dalam memprediksi kondisi berat seperti serangan asma.
COPD, dan kebutuhan ICU (Almulihi et al.
, 2.
Temuan ini diperkuat oleh penelitian di Indonesia, yang menunjukkan bahwa algoritma XGBoost mencapai akurasi 87%, sensitivitas 90%, dan AUC 0,89 dalam memprediksi kegawatdaruratan penyakit katastropik seperti stroke dan infark miokard, jauh melampaui regresi logistik tradisional .
uryani, 2.
Dengan kemampuan mengolah data real-time dan menghasilkan keputusan berbasis prediksi probabilistik, machine learning tidak hanya meningkatkan ketepatan diagnosis tetapi juga berperan sebagai pendukung keputusan klinis .
linical decision suppor.
yang membantu tenaga medis menetapkan prioritas perawatan lebih cepat dan tepat, sehingga berpotensi menurunkan angka mortalitas serta meningkatkan efisiensi sistem pelayanan kesehatan.
Tema 3: persepsi & kesiapan tenaga medis Persepsi dan kesiapan tenaga medis merupakan faktor krusial yang menentukan keberhasilan implementasi Kecerdasan Buatan (AI) dalam layanan gawat darurat.
Secara umum, sistem AI seperti sistem triase berbasis AI dapat meningkatkan efisiensi, akurasi, dan keputusan klinis, namun tantangan utama yang dihadapi bukan bersifat teknis, melainkan hambatan integrasi alur kerja dan rendahnya tingkat penerimaan klinisi (Ahmed Abdalhalim et al.
, 2.
Dokter gawat darurat di Kanada menunjukkan pandangan yang umumnya positif dan kepercayaan tinggi terhadap kemampuan AI untuk membantu dokumentasi dan triase, mereka secara khusus Pemanfaatan Artificial Intelligence dalam Pengambilan Keputusan Klinis dan Manajemen Pasien Gawat Darurat di Bidang Anestesiologi: Sebuah Scoping Review menekankan bahwa keterlibatan aktif tenaga medis dalam desain AI sangat esensial untuk menjamin penerimaan dan keberhasilan penggunaannya.
Oleh karena itu, dapat disimpulkan bahwa kesuksesan adopsi AI di lingkungan klinis sangat bergantung pada kesiapan, persepsi positif, dan partisipasi aktifpara tenaga medis dalam seluruh tahapan pengembangan dan integrasi teknologi tersebut (Eastwood et al.
, 2.
Tema 4: AI sebagai Clinical decision support (CDSS) Pemanfaatan Artificial Intelligence (AI) melalui Clinical Decision Support System (CDSS) terbukti sangat efektif dalam meningkatkan akurasi diagnosis dan mempercepat efisiensi pengambilan keputusan klinis di Instalasi Gawat Darurat (IGD), menjadikannya relevan dengan konteks Anestesi Gawat Darurat.
Studi menunjukkan bahwa CDSS mampu meningkatkan akurasi klasifikasi triase sebesar 20-40% dan mengurangi waktu pengambilan keputusan hingga 30-45% dibandingkan metode konvensional.
Sistem berbasis AI menunjukkan keunggulan adaptif, memungkinkan klasifikasi pasien yang lebih presisi, dan bertindak sebagai "co-pilot" bagi tenaga medis untuk memperkuat validitas keputusan berbasis Akurasi dan kecepatan yang ditingkatkan ini memiliki nilai krusial dalam meminimalkan risiko undertriage .
esalahan priorita.
yang berpotensi menyebabkan penanganan pasien kritis menjadi terlambat (Farah & Dewi, n.
Tema 5: Etika.
Privasi & integrasi system Pemanfaatan Artificial Intelligence (AI), khususnya Large Language Model (LMM) seperti ChatGPT, secara umum merevolusi praktik medis darurat dengan meningkatkan perawatan pasien, efisiensi operasional, dan mendukung keputusan klinis (Kuttan et al.
, 2.
Secara spesifik.
LMM menunjukkan keunggulan yang signifikan dalam akurasi diagnostik, di mana model seperti GPT-4 terbukti lebih unggun dari dokter residen di departemen darurat dalam analisis retrospektif, menjadikannya alat pendukung diagnostik yang sangat potensial (Hoppe et al.
, 2.
Namun, adopsi teknologi ini secara luas memerlukan penanganan serius terhadap isu etika, privasi, dan integrasi sistem.
Dari sisi etika dan transparansi, perlu dipastikan sistem AI memiliki Interpretasi yang Dapat Dijelaskan (XAI) untuk mengatasi bias data dan risiko "halusinasi" model yang dapat membahayakan, sekaligus menetapkan tanggung jawab hukum .
yang jelas(Amiot & Potier, 2.
Sementara itu, untuk menjamin privasi dan integrasi yang aman, diperlukan kepatuhan terhadap persyaratan regulasi dan standar keselamatan yang ketat, serta upaya berkelanjutan untuk mengintegrasikan sistem AI secara mulus ke dalam alur kerja klinis yang ada tanpa mengganggu.
Jurnal Siti Rufaidah - Volume 3.
Nomor, 4 November 2025 e-ISSN: 3032-1344.
p-ISSN: 3032-1336.
Hal 310-326 Pembahasan Efektivitas AI dalam Triase dan pengambilan Keputusan klinis di intalasi gawat darurat Penerapan Artificial Intelligence (AI) di bidang kegawatdaruratan menunjukkan peningkatan signifikan dalam efisiensi triase dan ketepatan pengambilan keputusan medis.
Sistem AI berbasis machine learning dan deep learning mampu mengintegrasikan data fisiologis pasien seperti tekanan darah, saturasi oksigen, dan laju pernapasan untuk memberikan rekomendasi prioritas secara real-time.
Studi prospektif menunjukkan bahwa penerapan AI dalam triase mampu meningkatkan akurasi klasifikasi pasien hingga 99,1%, serta menurunkan angka overtriage dan undertriage secara bermakna (Yi et al.
, 2.
Selain mempercepat penilaian awal pasien, integrasi AI pada sistem triase juga mengurangi waktu tunggu hingga 30% dan meningkatkan kecepatan penanganan kasus kritis sebesar 20% dibanding metode manual (DaAoCosta et al.
, 2.
Efisiensi ini berdampak langsung terhadap peningkatan keselamatan pasien dan optimalisasi sumber daya medis di unit gawat darurat (Almulihi et al.
, 2.
Kinerja Model Machine Learning dalam Prediksi Klinis dan Anestesi Gawat Darurat Teknologi machine learning (ML) menjadi fondasi utama dalam sistem pengambilan keputusan klinis berbasis AI.
Algoritma seperti random forest, gradient boosting, dan deep neural networks telah terbukti unggul dalam mendeteksi pola klinis kompleks yang tidak mudah diidentifikasi oleh metode konvensional.
Dalam konteks anestesiologi, model ML mampu memprediksi hipotensi intraoperatif, kejadian henti jantung, serta risiko komplikasi pascaoperatif dengan akurasi tinggi.
Tinjauan sistematis oleh Almulihi et al.
melibatkan 17 studi dengan lebih dari 14 juta data pasien menunjukkan bahwa model gradient boosting memiliki area under the curve (AUC) di atas 0,85 dalam memprediksi kebutuhan perawatan kritis.
Studi lain di Indonesia menunjukkan model XGBoost mencapai akurasi 87% dan sensitivitas 90% dalam memprediksi kegawatdaruratan penyakit katastropik (Suryani, 2.
Penerapan model-model ini memungkinkan anestesiolog untuk mengantisipasi risiko komplikasi sebelum terjadi, sehingga mempercepat intervensi dan mengurangi mortalitas perioperatif (Redfern et al.
Persepsi dan Kesiapan Tenaga Medis terhadap Implementasi AI Keberhasilan penerapan AI dalam lingkungan klinis sangat bergantung pada kesiapan dan penerimaan tenaga medis.
Studi lintas negara menunjukkan bahwa sebagian besar dokter dan perawat menyadari potensi AI dalam meningkatkan efisiensi kerja, terutama untuk triase, dokumentasi, dan analisis klinis.
Namun, tantangan terbesar bukan pada teknologi itu sendiri.
Pemanfaatan Artificial Intelligence dalam Pengambilan Keputusan Klinis dan Manajemen Pasien Gawat Darurat di Bidang Anestesiologi: Sebuah Scoping Review melainkan pada integrasi ke dalam alur kerja dan kepercayaan pengguna terhadap algoritma (Abdalhalim et al.
, 2.
Survei terhadap 230 dokter gawat darurat di Kanada melaporkan bahwa 87% responden percaya AI akan membawa dampak positif bagi pelayanan medis, tetapi hanya 23,6% yang memahami sepenuhnya konsep AI (Eastwood et al.
, 2.
Hal ini menunjukkan perlunya pelatihan intensif dan pendekatan user-centered design agar sistem AI dapat diterima secara Dalam konteks anestesiologi, keterlibatan aktif tenaga medis sejak tahap pengembangan hingga evaluasi implementasi menjadi kunci keberhasilan adopsi AI secara etis dan efektif.
AI sebagai Clinical Decision Support System (CDSS) Penerapan Clinical Decision Support System (CDSS) berbasis AI memberikan kontribusi besar terhadap peningkatan ketepatan diagnosis dan efisiensi pengambilan keputusan di situasi kritis.
Sistem ini memproses data pasien secara otomatis untuk memberikan rekomendasi tindakan anestesi, dosis obat, serta deteksi dini komplikasi seperti hipotensi atau hipoksemia.
Menurut Dewi .
CDSS mampu meningkatkan akurasi klasifikasi triase hingga 40% dan mempercepat pengambilan keputusan sebesar 30Ae45%.
Selain itu, sistem berbasis AI dapat berfungsi sebagai co-pilot bagi tenaga medis, memperkuat keputusan berbasis data tanpa menggantikan penilaian klinis manusia (Amiot & Potier, 2.
Dalam praktik anestesi.
CDSS berperan penting dalam memantau parameter fisiologis dan membantu menentukan intervensi cepat yang dapat mencegah kejadian fatal.
Tantangan Etika.
Privasi, dan Integrasi Sistem AI Meskipun potensi AI dalam bidang anestesi dan kegawatdaruratan sangat besar, penerapan teknologi ini dihadapkan pada berbagai tantangan etis dan regulatif.
Permasalahan seperti data privacy, algorithmic bias, dan transparansi keputusan algoritma masih menjadi hambatan utama (Kuttan et al.
, 2.
Teknologi Large Language Model (LLM) seperti GPT-4 telah terbukti memiliki akurasi diagnostik lebih tinggi dibanding dokter residen dalam analisis retrospektif kasus gawat darurat (Hoppe et al.
, 2.
Namun, model ini juga berisiko menghasilkan AuhallucinationAy atau kesalahan interpretasi jika tidak dilengkapi dengan mekanisme Explainable AI (XAI) yang memungkinkan tenaga medis memahami dasar pengambilan keputusan algoritma (Amiot & Potier.
Untuk menjamin keamanan dan integrasi yang optimal, perlu diterapkan kebijakan data governance yang ketat, standarisasi interoperabilitas sistem, serta kolaborasi antara ahli teknologi, regulator, dan klinisi dalam memastikan penggunaan AI yang aman, transparan, dan bertanggung jawab.
Jurnal Siti Rufaidah - Volume 3.
Nomor, 4 November 2025 e-ISSN: 3032-1344.
p-ISSN: 3032-1336.
Hal 310-326 Implikasi terhadap Anestesiologi Gawat Darurat Integrasi AI dalam praktik anestesiologi tidak hanya meningkatkan efisiensi klinis tetapi juga mengubah paradigma pengambilan keputusan medis.
Sistem AI dapat memprediksi komplikasi intraoperatif seperti hipotensi dan bradikardi sebelum terjadi, serta memberikan rekomendasi dosis anestesi yang disesuaikan dengan karakteristik individu pasien (BogoE et , 2.
Dalam manajemen pascaoperatif.
AI dapat membantu memantau pasien dengan risiko gagal napas atau henti jantung, memberikan peringatan dini bagi anestesiolog.
Oleh karena itu, pengembangan AI di masa depan perlu diarahkan pada explainable predictive models yang tidak hanya akurat tetapi juga mudah diinterpretasikan.
Selain itu, kolaborasi antara ahli anestesi, insinyur data, dan regulator diperlukan untuk memastikan integrasi etis dan klinis yang efektif (Hilton, 2.
KESIMPULAN DAN SARAN
Kesimpulan Pemanfaatan AI dalam anestesiologi dan manajemen kegawatdaruratan terbukti meningkatkan efisiensi, akurasi triase, serta kecepatan pengambilan keputusan klinis.
Teknologi machine learning dan CDSS memainkan peran penting dalam mendukung anestesiolog menghadapi situasi kritis dengan data real-time dan prediksi berbasis Namun, penerapan yang aman dan efektif memerlukan kesiapan tenaga medis, regulasi yang ketat, dan penerapan prinsip Explainable AI agar sistem dapat digunakan secara transparan dan etis.
Dengan pendekatan yang tepat.
AI berpotensi menjadi elemen integral dalam meningkatkan keselamatan pasien dan kualitas layanan anestesi darurat.
Saran