Pemanfaatan Kecerdasan Buatan dalam Sistem Pelaporan Insiden Keselamatan Pasien: Tinjauan Literatur The Utilization of Artificial Intelligence in Patient Safety Incident Reporting Systems: A Literature Review Andrew Jeremia1.
Mardiati Nadjib2 Program Studi Kajian Administrasi Rumah Sakit.
Fakultas Kesehatan Masyarakat Universitas Indonesia Departemen Administrasi dan Kebijakan Kesehatan.
Fakultas Kesehatan Masyarakat Universitas indonesia Korespondensi Penulis: andrew.
jeremia@gmail.
ABSTRACT
Incident reporting is a critical component in fostering a culture of patient safety in hospitals.
However, the analysis of narrative-based reports is often time-consuming and resourceintensive, thereby hindering the effectiveness of incident reporting and learning systems.
Although artificial intelligence (AI) has been widely explored in healthcare, its application in patient safety incident reporting remains limited and under-researched.
This study aims to evaluate the use of AI in patient safety incident reporting systems using a literature review method.
A total of 179 articles were identified from the ProQuest database through structured searching, and 9 articles were selected for in-depth analysis.
The findings indicate that AI, particularly through machine learning and natural language processing (NLP), has been applied to classify incident types, detect risk patterns, and predict events from electronic medical records.
Furthermore.
AI simplifies the reporting process through free-text narratives, reducing administrative burden and increasing reporter participation.
Key challenges in implementation include infrastructure readiness, system integration, and data protection.
In conclusion.
AI holds significant potential to enhance the efficiency and effectiveness of incident reporting systems, provided it is supported by adaptive and secure implementation strategies.
Keywords : patient safety, incident reporting, artificial intelligence ABSTRAK Pelaporan insiden keselamatan pasien merupakan komponen penting dalam membangun budaya keselamatan di rumah sakit.
Namun, proses analisis laporan yang bersifat naratif sering kali memakan waktu dan sumber daya, sehingga menghambat efektivitas sistem pelaporan dan pembelajaran insiden.
Walaupun kecerdasan buatan (AI) telah dieksplorasi secara luas di layanan kesehatan, pemanfaatannya dalam pelaporan insiden keselamatan pasien masih belum optimal dan belum banyak dikaji.
Penelitian ini bertujuan untuk mengevaluasi pemanfaatan AI dalam sistem pelaporan insiden keselamatan pasien dengan metode tinjauan literatur.
Sebanyak 179 artikel diidentifikasi dari database ProQuest melalui pencarian terstruktur, dan 9 artikel dianalisis secara mendalam.
Hasil menunjukkan bahwa AI, melalui machine learning dan natural language processing (NLP), telah digunakan untuk mengklasifikasikan jenis insiden, mendeteksi pola risiko, dan memprediksi kejadian dari data rekam medis elektronik.
Selain itu.
AI juga menyederhanakan proses pelaporan melalui narasi bebas, sehingga mengurangi beban administratif dan meningkatkan partisipasi pelapor.
Tantangan utama dalam implementasi AI meliputi kesiapan infrastruktur, integrasi sistem, dan perlindungan data.
AI memiliki potensi besar untuk meningkatkan efisiensi dan efektivitas sistem pelaporan insiden, asalkan didukung oleh strategi implementasi yang adaptif dan aman.
Kata Kunci : keselamatan pasien, pelaporan insiden, kecerdasan buatan Jurnal Dunia Kesmas.
Vol, 14 No.
July 2025, hal 343-354 ISSN 2301-6604 (Prin.
ISSN 2549-3485 (Onlin.
http://ejurnalmalahayati.
id/index.
php/duniakesmas/index Pemanfaatan Kecerdasan Buatan dalam SistemA (Andrew Jeremia.
Mardiati Nadji.
PENDAHULUAN Pelaporan insiden keselamatan pasien merupakan hal yang esensial dalam membangun budaya keselamatan di rumah sakit.
Melalui pelaporan insiden, organisasi dapat belajar dari kesalahan untuk mencegah terulangnya kejadian yang tidak diharapkan (Kodate et al.
, 2.
Sistem pelaporan insiden telah diadopsi secara luas sebagai sarana menjadi bagian integral dari strategi nasional di berbagai negara (Donaldson et al.
, 2.
Tanpa analisis insiden yang baik, strategi rumah sakit untuk melakukan perbaikan bisa jadi kurang Selain analisis dan investigasi per insiden, kumpulan laporan insiden perlu dilihat secara helicopter view.
Gambaran dari pola atau tren ini dapat memberikan wawasan bagi rumah sakit untuk mengambil langkah strategis dalam keselamatan pasien (Donaldson et al.
Analisis agregat dari data insiden memungkinkan identifikasi faktor risiko sistemik dan area yang memerlukan intervensi prioritas (Sinha, 2.
Misalnya, mengidentifikasi pola umum dalam frekuensi kejadian tertentu, lokasi kejadian, atau jenis kesalahan yang paling sering terjadi (Kodate et al.
Informasi ini dapat digunakan untuk merancang program pelatihan yang lebih efektif, mengubah prosedur sumber daya tambahan ke area yang paling membutuhkan perbaikan.
Oleh karena itu, diperlukan sumber daya yang memadai untuk melakukan proses analisis tersebut.
Meskipun sistem pelaporan insiden telah menjadi komponen penting dalam upaya peningkatan keselamatan pasien, proses analisis terhadap laporan-laporan tersebut masih menghadapi berbagai Salah satu tantangan utama adalah sifatnya yang sangat memakan waktu dan tenaga.
Setiap laporan insiden umumnya disusun dalam format naratif bebas, yang memerlukan pembacaan dan interpretasi manual oleh analis atau Dalam praktiknya, keterbatasan jumlah sumber daya manusia yang terlatih untuk melakukan analisis mendalam sering kali identifikasi pola risiko dan tindak lanjut yang diperlukan (Donaldson et al.
Selain itu, beban administratif yang tinggi dapat mengurangi efektivitas sistem pelaporan itu sendiri, karena laporan yang masuk tidak selalu diolah secara optimal untuk menghasilkan pembelajaran yang bermakna (Karimian et al.
, 2.
Kecerdasan buatan atau artificial intelligence (AI) menawarkan potensi besar untuk mengatasi pemasalahan Namun, berbagai tantangan dan celah penelitian Misalnya, keterbatasan cakupan populasi studi, kurangnya integrasi sistem secara menyeluruh, serta minimnya evaluasi teknologi ini.
Oleh karena itu, tinjauan mengeksplorasi bagaimana AI digunakan keselamatan pasien, serta mengkaji dampak teknis dan hasil yang diperoleh dari berbagai studi yang telah dilakukan.
METODE
Penelitian ini merupakan sebuah tinjauan literatur yang bertujuan untuk temuan-temuan berbagai penelitian terdahulu terkait pemanfaatan kecerdasan buatan dalam pelaporan insiden keselamatan pasien.
Pencarian melalui database online ProQuest dengan menggunakan strategi pencarian yang menggabungkan kata kunci terkait kecerdasan buatan, pelaporan insiden, dan konteks rumah sakit.
Fokus utama dari tinjauan ini adalah mengidentifikasi elemen-elemen keselamatan pasien yang telah diproses atau dianalisis menggunakan teknologi kecerdasan buatan.
Dengan demikian, memberikan gambaran komprehensif mengenai perkembangan dan efektivitas metode otomatis dalam mendukung sistem pelaporan insiden yang akurat Jurnal Dunia Kesmas.
Vol, 14 No.
July 2025, hal 343-354 ISSN 2301-6604 (Prin.
ISSN 2549-3485 (Onlin.
http://ejurnalmalahayati.
id/index.
php/duniakesmas/index Pemanfaatan Kecerdasan Buatan dalam SistemA (Andrew Jeremia.
Mardiati Nadji.
dan efisien, yang pada akhirnya berkontribusi pada peningkatan mutu dan keselamatan layanan kesehatan.
Tabel 1.
Kata Kunci yang Digunakan dalam Strategi Pencarian Tema Kata kunci Kecerdasan Pelaporan insiden Lingkungan klinis machine learning.
ML, artificial intelligence.
AI, deep learning, neural network, neural networks, natural language processing.
NLP incident report, incident reporting, indicent reports, safety report, safety reporting, safety reports, error report, error reporting, error reports, event report, event reporting, event reports healthcare, health care, hospital, clinical, medical Inklusi peninjauan judul dan abstrak berhasil menyaring 14 artikel yang dianggap relevan dan memenuhi kriteria inklusi.
Selanjutnya, terhadap isi teks lengkap artikel-artikel tersebut menghasilkan 9 artikel yang komprehensif dalam penelitian ini.
Artikel teridentifikasi dari pencarian basis data ProQuest Tidak tersedia full text Skrining berdasarkan judul dan abstrak Dieksklusi .
Artikel dinilai eligibilitasnya .
Tidak relevan dengan tujuan penelitian .
Skrining Identifikasi
HASIL
Dalam proses pencarian literatur ProQuest, ditemukan sebanyak 179 artikel yang sesuai dengan kriteria awal.
Dari jumlah tersebut, 150 artikel tersedia dalam bentuk teks lengkap dan dapat diakses untuk penelaahan lebih lanjut.
Proses skrining awal yang dilakukan melalui Studi yang dimasukkan ke dalam analisis .
Gambar 1.
Diagram Alir PRISMA Jurnal Dunia Kesmas.
Vol, 14 No.
July 2025, hal 343-354 ISSN 2301-6604 (Prin.
ISSN 2549-3485 (Onlin.
http://ejurnalmalahayati.
id/index.
php/duniakesmas/index Pemanfaatan Kecerdasan Buatan dalam SistemA (Andrew Jeremia.
Mardiati Nadji.
Berikut ini adalah rangkuman setiap studi yang dianalisis.
Tabel 2.
Daftar Studi yang Dianalisis Penulis (Tahu.
(Tsatsoulis Amthauer.
Tujuan Metode AI Mengidentifikasi klaster insiden medis yang serupa dari laporan insiden Case-Based Reasoning (CBR).
Information Retrieval (IR).
CBR IR
(Zhou et , 2.
SVM.
Random Forest.
Nayve Bayes.
MLP.
NLP (TF-IDF, n-gra.
, (Evans et , 2.
(Yang et , 2.
(Hyrkynen et al.
Mengembangkan pipeline otomatis laporan insiden Menguji kemampuan NLP dan machine learning untuk jenis insiden dan tingkat keparahan dari laporan insiden keselamatan pasien di layanan primer Mengembangkan dan mengevaluasi model deep learning untuk mendeteksi reaksi alergi dari laporan insiden keselamatan pasien berbasis teks bebas Mengidentifikasi area pencegahan insiden medikasi yang menyebabkan cedera sedang atau serius berdasarkan pandangan pelapor Data dan Sampel Sekitar 600 laporan insiden transfusi yang oleh Medical Event Reporting System for Transfusion Medicine (MERS-TM) dari dua rumah sakit.
576 laporan medikasi dari PSO .
AHRQ Common Formats 333 laporan pasien dari layanan primer di Inggris dan Wales Temuan Utama Deep Neural Network (CNN BiLSTM Attentio.
NLP (TF-IDF, ngra.
, cosine laporan insiden dari 2 rumah sakit besar di Amerika Serikat NLP dan text sistem Aiwo .
nsupervised AI) 137 laporan medikasi .
ari total 3.
cedera sedang atau serius di satu rumah universitas di Finlandia .
7Ae2.
Deep learning secara signifikan deteksi reaksi alergi dari laporan teks bebas dan mengurangi beban kerja manual.
pandangan pelapor ke dalam 4 kategori utama:
working, practices, dan setting.
Enam area manajemen risiko utama termasuk verifikasi informasi obat, kehati-hatian, terhadap panduan.
SVM.
J48.
Nayve Bayes.
NLP (TF-IDF,
n-gram:
Kombinasi CBR dan IR menghasilkan akurasi dan recall yang lebih baik penggunaan salah satu metode secara terpisah.
Cocok untuk klasterisasi laporan insiden medis.
AI berhasil jenis dan penyebab insiden medikasi secara otomatis dengan hasil yang sebanding dengan penilaian ahli.
Model AI mampu mengenali jenis insiden dan tingkat keparahan dengan akurasi tinggi, termasuk insiden serius seperti kematian pasien.
Jurnal Dunia Kesmas.
Vol, 14 No.
July 2025, hal 343-354 ISSN 2301-6604 (Prin.
ISSN 2549-3485 (Onlin.
http://ejurnalmalahayati.
id/index.
php/duniakesmas/index Pemanfaatan Kecerdasan Buatan dalam SistemA (Andrew Jeremia.
Mardiati Nadji.
Penulis (Tahu.
Tujuan Metode AI Data dan Sampel (Boxley et , 2.
Mengkategorikan laporan insiden keselamatan pasien terkait medikasi berdasarkan jenis kesalahan obat menggunakan NLP dan machine Logistic Regression.
Elastic Net.
XGBoost.
NLP
(TF-IDF,
861 laporan medikasi dari 10 rumah sakit di AS.
MERP
(Chen et , 2.
SVM.
MLR.
RF,
XGBoost.
KNN.
MLP.
NLP (TFIDF.
RoBERT.
Explainable AI
(LIME)
861 laporan PSE dari unit rumah sakit akademik di AS .
9Ae (Hylzing et , 2.
Mengembangkan dan mengevaluasi model machine learning berbasis kontekstual untuk klasifikasi otomatis laporan insiden keselamatan pasien (PSE) serta manusia-AI Mengevaluasi potensi AI generatif (ChatGPT-3.
dalam menganalisis laporan CIRS Generative AI (ChatGPT-3.
NLP, evaluasi buta oleh ahli, 12 kasus CIRS dari Jerman, dianalisis oleh manusia dan (Uematsu et al.
Mengembangkan sistem skor untuk kesalahan dari semantik dalam laporan insiden
NLP
orfologi, bag-of-word.
, berbasis risiko relatif, analisis laporan insiden dari RS Universitas Nagoya .
2Ae2.
PEMBAHASAN Kecerdasan Buatan dalam Pembelajaran Keselamatan Pasien Kecerdasan buatan (AI) telah menjadi alat yang semakin penting dalam mendukung pembelajaran dan peningkatan keselamatan pasien di lingkungan rumah sakit.
Salah satu fungsi utama AI adalah dalam klasifikasi dan analisis laporan insiden keselamatan Temuan Utama antarprofesi, dan sumber daya manusia yang XGBoost performa terbaik.
kategori AuWrong DrugAy.
AuWrong Dosage Form/RouteAy, dan AuImproper DoseAy paling akurat.
NLP
efektif untuk klasifikasi otomatis jenis kesalahan Model AI berbasis RoBERTa akurasi tinggi dan melalui antarmuka manusia-AI.
AI generatif seperti ChatGPT mampu laporan insiden dengan kualitas yang hampir setara dengan analisis Sistem skor berbasis AI dapat laporan yang kesalahan dengan akurasi tinggi dan penilaian ahli.
Dengan memanfaatkan teknik machine learning dan natural language (NLP), mengklasifikasikan jenis insiden secara otomatis dari laporan teks bebas, identifikasi pola insiden dan mendukung pengambilan keputusan berbasis data Jurnal Dunia Kesmas.
Vol, 14 No.
July 2025, hal 343-354 ISSN 2301-6604 (Prin.
ISSN 2549-3485 (Onlin.
http://ejurnalmalahayati.
id/index.
php/duniakesmas/index Pemanfaatan Kecerdasan Buatan dalam SistemA (Andrew Jeremia.
Mardiati Nadji.
(Evans et al.
, 2020.
Hyrkynen et al.
Selain digunakan untuk mendeteksi risiko dan memprediksi kemungkinan terjadinya insiden berdasarkan data historis.
Model prediktif ini memungkinkan intervensi dini yang dapat mencegah kejadian yang dibuktikan oleh penelitian Yang et al.
Fungsi mendukung pembelajaran berkelanjutan melalui pemrosesan data insiden secara real-time dan pemberian umpan balik otomatis, yang dapat dimanfaatkan untuk pelatihan staf medis serta (Uematsu et al.
, 2.
Menariknya, studi-studi terbaru penggabungan NLP dengan teknik Laporan insiden teks NLP:
Model ML/DL:
Tekonisasi.
TFIDF.
BERT, dll.
SVM.
XGBoost.
CNN, dll.
enjelasan menjanjikan untuk implementasi nyata di rumah sakit.
NLP memungkinkan ekstraksi informasi penting dari laporan memahami alasan di balik prediksi atau klasifikasi yang dihasilkan oleh AI.
Pendekatan transparansi dan kepercayaan terhadap sistem AI, sebagaimana ditunjukkan dalam studi oleh Chen et al.
Bahkan, studi oleh Hylzing et al.
menunjukkan bahwa AI generatif seperti ChatGPT dapat menghasilkan analisis insiden yang sulit dibedakan dari buatan manusia, yang membuka peluang penerapan AI untuk keselamatan pasien.
Klasifikasi insiden / skor deteksi pola Wawasan Gambar 2.
Alur Pemanfaatan AI dalam Analisis Insiden Keselamatan Pasien Pelaporan Naratif Berbasis AI:
Menyederhanakan Proses.
Memperkuat Pembelajaran Salah satu kesalahpahaman umum dalam sistem pelaporan insiden adalah anggapan bahwa kualitas pelaporan ketepatan data yang dikumpulkan.
Padahal, seperti yang dikemukakan oleh Macrae .
, esensi dari pelaporan insiden bukanlah pada detail data itu sendiri, melainkan pada kemampuannya Upaya meningkatkan kualitas data pelaporan sering kali justru mengaburkan tujuan utama sistem ini, yaitu sebagai pemicu untuk memahami dan memperbaiki sistem, bukan sebagai alat ukur statistik atau epidemiologis.
Dalam konteks ini, pendekatan (AI), khususnya natural language processing (NLP), menawarkan solusi yang lebih sejalan dengan prinsip pembelajaran.
Dengan memungkinkan staf rumah sakit melaporkan insiden dalam bentuk narasi bebas.
AI dapat mengambil alih proses penting secara otomatis.
Hal ini tidak pelaporan, tetapi juga menghindarkan pelapor dari beban administratif yang sering kali menghambat pelaporan.
Pendekatan ini selaras dengan gagasan bahwa pelaporan insiden seharusnya menjadi titik awal pembelajaran, bukan administratif (Macrae, 2.
Teknologi dan Metode AI yang Digunakan Dalam buatan (AI) untuk pelaporan dan analisis insiden keselamatan pasien, berbagai arsitektur teknologi telah digunakan untuk menangani kompleksitas data medis, khususnya data teks bebas dari laporan insiden.
Model machine learning Support Vector Jurnal Dunia Kesmas.
Vol, 14 No.
July 2025, hal 343-354 ISSN 2301-6604 (Prin.
ISSN 2549-3485 (Onlin.
http://ejurnalmalahayati.
id/index.
php/duniakesmas/index Pemanfaatan Kecerdasan Buatan dalam SistemA (Andrew Jeremia.
Mardiati Nadji.
Machine (SVM).
Random Forest, dan XGBoost merupakan pendekatan yang banyak digunakan untuk klasifikasi insiden berdasarkan fitur terstruktur maupun representasi teks.
Studi oleh Evans et al.
dan Boxley et al.
menunjukkan efektivitas modelmodel ini dalam mengelompokkan jenis insiden dan tingkat keparahannya.
Selain itu, pendekatan berbasis deep learning dan neural network seperti Convolutional Neural Networks (CNN).
Long ShortTerm Memory (LSTM), serta model transformer seperti RoBERTa telah digunakan untuk menangani data teks yang lebih kompleks dan dalam jumlah Model-model ini terbukti mampu meningkatkan akurasi klasifikasi dan ditunjukkan dalam studi oleh Yang et al.
dan Chen et al.
NLP (TF-IDF,
n-gra.
SVM XGBoost Logistic Regression Deep Learning Explainability (CNN.
LSTM) (LIME) Transformer (BERT.
RoBERT.
Case-Based Reasoning Gambar 3.
Jumlah studi per teknologi/metode AI yang digunakan Natural Language Processing (NLP) juga memainkan peran sentral dalam arsitektur AI untuk keselamatan pasien.
Teknik NLP seperti tokenisasi, n-gram, dan analisis morfologi digunakan untuk mengekstraksi informasi penting dari laporan insiden yang bersifat naratif.
Pendekatan ini memungkinkan konversi teks bebas menjadi data terstruktur yang dapat dianalisis lebih lanjut oleh model AI, seperti yang diterapkan dalam studi oleh Hyrkynen et al.
Uematsu et .
, dan Zhou et al.
Untuk AI, pendekatan explainable AI (XAI) juga mulai banyak diadopsi.
Teknik seperti Local Interpretable Model-agnostic Explanations (LIME) digunakan untuk memberikan interpretasi terhadap hasil prediksi model, sehingga pengguna dapat memahami faktor-faktor yang AI.
Pendekatan ini terbukti efektif dalam meningkatkan kolaborasi manusia-AI, sebagaimana ditunjukkan dalam studi oleh Chen et al.
Lebih lanjut, studi oleh Hylzing et al.
menunjukkan bahwa AI generatif seperti ChatGPT laporan insiden secara otomatis, dengan kualitas yang dinilai setara dengan analisis manusia, membuka peluang baru dalam pemanfaatan AI untuk sistem pelaporan insiden kritis.
Beberapa studi juga menunjukkan bahwa kombinasi berbagai metode AI dapat menghasilkan kinerja yang lebih unggul dibandingkan penggunaan satu pendekatan tunggal.
Misalnya.
Boxley et algoritma, yaitu Logistic Regression.
Elastic Net.
XGBoost.
XGBoost memberikan kinerja terbaik dalam klasifikasi jenis kesalahan medikasi.
Sementara itu.
Chen et al.
kontekstual berbasis RoBERTa dengan Support Vector Machine (SVM), serta (LIME) Jurnal Dunia Kesmas.
Vol, 14 No.
July 2025, hal 343-354 ISSN 2301-6604 (Prin.
ISSN 2549-3485 (Onlin.
http://ejurnalmalahayati.
id/index.
php/duniakesmas/index Pemanfaatan Kecerdasan Buatan dalam SistemA (Andrew Jeremia.
Mardiati Nadji.
Pendekatan multimodel ini memungkinkan sistem AI untuk memanfaatkan kekuatan masingmasing algoritma, seperti kemampuan generalisasi dari model ensemble dan sensitivitas kontekstual dari model berbasis transformer.
Dengan demikian, integrasi berbagai teknik AI tidak hanya meningkatkan akurasi klasifikasi, tetapi interpretabilitas sistem dalam konteks keselamatan pasien.
Deteksi Proaktif Insiden dari Rekam Medis Elektronik Salah satu keterbatasan utama dari sistem pelaporan insiden konvensional adalah fenomena underreporting, di mana banyak kejadian tidak diharapkan tidak pernah dilaporkan karena berbagai ketakutan, atau beban administratif.
Untuk mengatasi hal ini, pendekatan berbasis Global Trigger Tool (GTT) yang Institute Healthcare Improvement (IHI) telah digunakan secara luas sebagai metode proaktif untuk mengidentifikasi insiden melalui penelaahan rekam medis (Griffin & Resar, 2.
GTT bekerja dengan mencari AutriggerAy atau petunjuk dalam rekam medis yang mengindikasikan kemungkinan terjadinya kejadian tidak antidotum, hasil laboratorium abnormal, atau readmisi mendadak (Classen et al.
Namun, metode GTT konvensional sangat bergantung pada tenaga manusia dan bersifat labor-intensive.
Proses ini terhadap puluhan rekam medis setiap bulan, dengan waktu terbatas untuk Untuk keterbatasan ini, pendekatan electronic Global Trigger Tool .
GTT) mulai (Blakeney et al.
, 2.
mengeksplorasi prototipe eGTT yang mengintegrasikan data dari rekam medis elektronik (EMR) dan memungkinkan deteksi otomatis terhadap trigger yang Studi menunjukkan bahwa sistem eGTT dapat meningkatkan efisiensi dan skalabilitas deteksi insiden, serta membuka peluang untuk integrasi dengan sistem pelaporan insiden dan dasbor keselamatan pasien.
Lebih kecerdasan buatan (AI) dan natural (NLP) memperluas cakupan eGTT dengan menganalisis data tidak terstruktur seperti catatan klinis.
Hal ini penting mengingat lebih dari 80% informasi klinis berada dalam bentuk teks bebas (Blakeney et al.
, 2.
Dengan melatih model AI berdasarkan kumpulan trigger yang telah ditetapkan oleh IHI, sistem dapat secara otomatis mendeteksi pola risiko dan memberikan peringatan dini sebelum insiden terjadi.
Pendekatan ini menggeser paradigma dari pelaporan reaktif menuju pemantauan proaktif dan prediktif, serta memperkuat sistem keselamatan pasien secara menyeluruh.
Tantangan dalam Implementasi AI untuk Keselamatan Pasien Implementasi kecerdasan buatan (AI) dalam sistem pelaporan dan analisis insiden keselamatan pasien tidak hanya membutuhkan model algoritmik yang canggih, tetapi juga infrastruktur yang mendukung integrasi ke dalam praktik Infrastruktur informasi, serta dukungan organisasi dan sumber daya manusia.
(Sendak et al.
, 2.
menekankan bahwa salah satu hambatan utama dalam translasi model machine learning ke dalam praktik klinis adalah kurangnya interoperabilitas sistem rekam medis elektronik (EMR) dan tingginya biaya integrasi teknis.
Mereka mencatat bahwa integrasi satu model prediksi ke dalam sistem EMR di satu rumah sakit dapat memerlukan investasi hingga ratusan ribu dolar, terutama karena perbedaan lingkungan produksi dan kebutuhan validasi ulang secara lokal.
Oleh karena itu, rumah sakit perlu menyiapkan terstruktur, dan dapat diakses secara real-time pengambilan keputusan klinis berbasis AI.
Selain kesiapan data, (Davenport & Kalakota, 2.
menyoroti pentingnya integrasi AI ke dalam alur kerja klinis dan sistem informasi rumah sakit.
Mereka Jurnal Dunia Kesmas.
Vol, 14 No.
July 2025, hal 343-354 ISSN 2301-6604 (Prin.
ISSN 2549-3485 (Onlin.
http://ejurnalmalahayati.
id/index.
php/duniakesmas/index Pemanfaatan Kecerdasan Buatan dalam SistemA (Andrew Jeremia.
Mardiati Nadji.
mencatat bahwa banyak teknologi AI gagal diimplementasikan bukan karena kekurangan akurasi, tetapi karena tersebut ke dalam praktik sehari-hari.
Oleh karena itu, rumah sakit perlu memiliki tim lintas fungsi yang terdiri dari ahli IT, analis data, dan profesional klinis untuk memastikan bahwa sistem AI tidak hanya berjalan secara teknis, tetapi juga diterima dan digunakan secara efektif oleh pengguna akhir.
Dengan demikian, keberhasilan implementasi AI dalam pelaporan insiden bergantung pada kesiapan infrastruktur yang tidak hanya mencakup teknologi, tetapi juga proses dan manusia yang mendukungnya.
Tantangan dalam Implementasi AI untuk Keselamatan Pasien Meskipun kecerdasan buatan (AI) menawarkan berbagai potensi dalam implementasinya di lingkungan klinis masih menghadapi sejumlah tantangan yang signifikan.
Salah satu kendala utama adalah ketidakseimbangan data dalam laporan insiden keselamatan pasien, di mana insiden serius umumnya jauh lebih sedikit dibandingkan insiden ringan atau laporan non-insiden.
Hal ini menyebabkan model AI cenderung bias dan kurang akurat dalam mengenali kejadian yang paling kritis (Evans et al.
Tantangan rendahnya transparansi model, terutama pada sistem berbasis deep learning yang sering kali dianggap sebagai Aukotak hitamAy Ketidakjelasan dalam cara kerja model ini dapat menghambat kepercayaan dan adopsi AI di rumah sakit, sehingga pendekatan explainable AI (XAI) seperti LIME menjembatani kesenjangan pemahaman antara teknologi dan pengguna akhir Chen et al.
Selain itu, generalisasi model AI juga menjadi dikembangkan dari satu institusi belum tentu dapat diterapkan secara langsung di tempat lain akibat perbedaan konteks operasional, bahasa, dan praktik klinis Hyrkynen et al.
Tidak standarnya bahasa dalam penggunaan jargon medis, singkatan, variasi morfologis, serta kesalahan ketik, juga menjadi tantangan.
Hal ini dapat mengganggu akurasi model dalam mengklasifikasikan insiden secara tepat (Boxley et al.
, 2023.
Yang et al.
, 2.
Untuk mengatasi hal ini, berbagai pendekatan telah diusulkan, seperti tokenisasi n-gram dan filtering kata Evans et al.
, penggunaan model deep learning berbasis CNN-LSTM Yang et al.
, serta analisis morfologi dan vektorisasi semantik Uematsu et al.
Bahkan, menunjukkan bahwa AI generatif seperti ChatGPT dapat menghasilkan analisis insiden yang sulit dibedakan dari buatan manusia, yang menimbulkan tantangan baru dalam validasi dan akuntabilitas (Hylzing et al.
, 2.
Oleh karena itu, keberhasilan implementasi AI dalam konteks keselamatan pasien sangat bergantung pada strategi penanganan bahasa alami yang cermat, validasi lintas-institusi, manusia-AI yang transparan dan adaptif.
Dalam konteks pelaporan insiden keselamatan pasien, isu keamanan data tidak hanya terbatas pada perlindungan informasi pribadi pasien, tetapi juga mencakup kerahasiaan konten insiden itu sendiri.
Informasi dalam laporan insiden sering kali memuat detail sensitif kelalaian staf, atau kelemahan sistem internal rumah sakit.
WHO menekankan bahwa meskipun data seperti usia dan jenis kelamin pasien penting untuk konteks klinis, informasi identitas pribadi tidak diperlukan dalam sistem pelaporan kerahasiaan dan mendorong budaya pelaporan yang aman (WHO, 2.
Jika disalahgunakan, bukan hanya privasi individu yang terancam, tetapi juga reputasi institusi kesehatan secara Di banyak yurisdiksi, termasuk Indonesia, kebocoran data insiden dapat menimbulkan konsekuensi hukum dan krisis kepercayaan publik Jurnal Dunia Kesmas.
Vol, 14 No.
July 2025, hal 343-354 ISSN 2301-6604 (Prin.
ISSN 2549-3485 (Onlin.
http://ejurnalmalahayati.
id/index.
php/duniakesmas/index Pemanfaatan Kecerdasan Buatan dalam SistemA (Andrew Jeremia.
Mardiati Nadji.
terhadap rumah sakit.
Selain itu, pelaporan insiden yang tidak aman dapat menghambat budaya pelaporan terbuka .
pen reporting cultur.
karena tenaga medis atau tenaga kesehatan mungkin enggan melaporkan insiden jika merasa informasi tersebut dapat digunakan mempermalukan institusi.
Oleh karena memanfaatkan AI harus dirancang dengan prinsip confidentiality by design, memastikan bahwa baik data pasien maupun narasi insiden diproses secara aman, terenkripsi, dan tidak dapat diakses oleh pihak yang tidak berwenang (Szalados, 2.
SIMPULAN
Tinjauan literatur ini menunjukkan (AI), khususnya melalui pendekatan machine learning dan natural language processing (NLP), telah digunakan secara efektif dalam sistem pelaporan dan analisis insiden keselamatan pasien.
AI mampu mendeteksi pola risiko, dan bahkan memprediksi kejadian tidak diharapkan secara proaktif dari data rekam medis Selain meningkatkan efisiensi analisis.
AI juga menyederhanakan proses pelaporan melalui narasi bebas, partisipasi pelapor.
Namun, keberhasilan implementasi AI sangat bergantung pada kesiapan infrastruktur teknis, integrasi sistem, serta perlindungan terhadap kerahasiaan data insiden.
Dengan demikian.
AI memiliki potensi besar untuk memperkuat sistem pembelajaran keselamatan pasien, asalkan diiringi dengan strategi implementasi yang adaptif dan kolaboratif.
SARAN
Berdasarkan temuan dalam tinjauan ini, disarankan agar rumah sakit yang ingin mengadopsi AI dalam pelaporan infrastruktur data dan integrasi sistem Penggunaan AI sebaiknya difokuskan pada penyederhanaan proses pelaporan dan deteksi proaktif insiden, bukan sekadar peningkatan volume Selain memastikan bahwa sistem AI yang digunakan mematuhi prinsip keamanan dan kerahasiaan data, serta dapat dijelaskan .
agar dapat diterima oleh pengguna klinis.
Penelitian lanjutan diperlukan untuk mengevaluasi dampak klinis dan operasional dari implementasi AI dalam konteks nyata di rumah sakit Indonesia.
DAFTAR PUSTAKA