Review Revolusi Kesehatan Digital: Peran AI dan Pembelajaran Mesin dalam Diagnosa Perawatan Oktavia Putri Handayani 1 1 Informatika.
Universitas Harapan Bangsa.
Purwokerto.
Indonesia * Korespondensi: oktaviaputri378@gmail.
Abstrak: Pemanfaatan Kecerdasan Buatan (Artificial Intelligence/AI) dan Pembelajaran Mesin (Machine Learning/ML) semakin berkembang dalam sistem kesehatan modern, khususnya dalam meningkatkan akurasi diagnosis, perencanaan perawatan, dan pengelolaan data medis.
Kajian tinjauan naratif ini bertujuan untuk merangkum bukti ilmiah terkini mengenai penerapan AI dan ML dalam diagnosis medis dan layanan perawatan.
Pencarian literatur dilakukan melalui database ScienceDirect.
Ie Xplore, dan SpringerLink, dengan fokus pada studi yang membahas diagnostik berbasis AI, pemodelan prediktif, serta sistem pendukung keputusan Sebanyak 15 artikel relevan yang terbit pada rentang tahun 2015 hingga 2024 disertakan berdasarkan kesesuaian topik dan kualitas metodologis.
Hasil kajian menunjukkan bahwa AI dan ML memberikan manfaat besar dalam diagnosis berbasis citra, interpretasi data genomik, manajemen penyakit kronis, serta prediksi risiko klinis.
Beberapa studi bahkan melaporkan tingkat akurasi diagnosis yang menyamai atau melampaui tenaga medis Namun, tantangan tetap muncul, termasuk bias algoritma, isu privasi data, serta keterbatasan infrastruktur kesehatan terutama di negara berkembang.
Kajian ini menyimpulkan bahwa integrasi AI dalam layanan kesehatan membutuhkan kolaborasi erat antara tenaga medis dan pengembang teknologi, disertai pengawasan etis dan regulasi yang kuat.
Dengan implementasi yang bertanggung jawab.
AI dan ML berpotensi besar mendorong peningkatan presisi diagnosis, optimalisasi jalur perawatan, serta penguatan ekosistem kesehatan digital di masa depan.
Received: 27 Mei 2024 Revised: 29 Juni 2024 Accepted: 12 Juli 2024 Published: 30 Juli 2024 Copyright: A 2023 by the authors.
License Universitas Harapan Bangsa.
Purwokerto.
Indonesia.
This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution (CC BY) license .
ttps://creativecommons.
org/licenses/by/4.
0/).
Kata kunci: Kecerdasan Buatan.
Pembelajaran Mesin.
Diagnostik Medis.
Data Kesehatan.
Perawatan yang Dipersonalisasi.
KORISA 2024.
Page 1-17.
https://ejournal.
id/index.
php/korisa Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
2 Tahun 2024 Page 2 of 17 Pendahuluan Kemajuan teknologi digital dalam satu dekade terakhir telah mempercepat transformasi sektor kesehatan secara signifikan, khususnya melalui pemanfaatan kecerdasan buatan (Artificial Intelligence/AI) dan pembelajaran mesin (Machine Learning/ML).
Teknologi ini memungkinkan pengolahan data medis dalam skala besar dan kompleks, sehingga berpotensi meningkatkan akurasi diagnosis, efektivitas perawatan, serta efisiensi sistem layanan kesehatan secara keseluruhan (Davenport & Kalakota, 2019.
Jiang et al.
, 2.
Berbagai studi menunjukkan bahwa algoritma berbasis AI telah mencapai tingkat akurasi yang sebanding atau bahkan melampaui tenaga medis dalam mendeteksi penyakit tertentu, terutama pada konteks analisis citra medis seperti radiologi dan dermatologi (Esteva et al.
, 2017.
Ardila et al.
, 2.
Selain itu, pembelajaran mesin telah memungkinkan pengembangan sistem prediksi yang canggih untuk memproyeksikan hasil pasien berdasarkan analisis data elektronik mereka, termasuk riwayat medis, demografi, dan hasil laboratorium (Obermeyer & Emanuel, 2.
Model prediktif semacam itu dapat memberikan wawasan yang mendalam bagi tenaga medis dalam menentukan rencana perawatan yang optimal untuk pasien (Rajkomar et al.
, 2.
Penerapan AI dalam pengelolaan penyakit kronis, seperti diabetes dan hipertensi, telah membuka jalan bagi perawatan yang lebih personal dan proaktif, yang dapat meningkatkan hasil klinis secara keseluruhan (Shickel et al.
, 2.
Meskipun perkembangan AI dan ML dalam kesehatan sangat luas, penelitian ini memfokuskan pembahasan pada peran teknologi tersebut dalam proses diagnosis medis dan pendukung keputusan klinis .
linical decision suppor.
Pembatasan ruang lingkup ini penting karena domain diagnosis merupakan titik kritis dalam pelayanan kesehatan, di mana akurasi, kecepatan, dan konsistensi sangat menentukan kualitas perawatan pasien.
Selain itu, penerapan AI pada diagnosis merupakan salah satu segmen yang paling aktif diteliti dan memiliki kontribusi signifikan terhadap pelayanan kesehatan modern, mulai dari analisis citra, deteksi dini penyakit kronis, hingga prediksi risiko klinis berbasis data elektronik pasien.
Namun, pemanfaatan AI dalam diagnosis tidak terlepas dari berbagai tantangan.
Keamanan dan privasi data, kualitas dataset pelatihan, bias algoritma, serta keterbatasan infrastruktur di negara berkembang masih menjadi kendala utama dalam mengoptimalkan teknologi ini.
Kebocoran data sensitif dapat mengancam kepercayaan masyarakat terhadap sistem e-health.
Untuk itu, teknologi seperti blockchain telah mulai diintegrasikan untuk menyediakan solusi yang aman dan transparan dalam pengelolaan data medis (Azaria et al.
, 2.
Selain itu, keberhasilan implementasi AI juga sangat bergantung pada ketersediaan data berkualitas tinggi untuk melatih model pembelajaran mesin, yang sering kali menjadi kendala di negara-negara berkembang (He et al.
, 2.
Tantangan-tantangan tersebut menunjukkan adanya kesenjangan antara potensi teoretis AI dan implementasi praktisnya dalam lingkungan klinis.
Berdasarkan konteks tersebut, tinjauan ini bertujuan untuk memberikan gambaran komprehensif mengenai perkembangan terbaru, manfaat utama, dan berbagai tantangan yang dihadapi dalam penerapan AI dan ML untuk diagnosis medis, sekaligus mengidentifikasi area riset yang masih memerlukan pengembangan lebih lanjut.
Dengan ruang lingkup yang lebih terarah dan fokus pada diagnosis, tinjauan ini diharapkan dapat memberikan pemahaman yang lebih jelas mengenai kontribusi AI terhadap peningkatan kualitas layanan kesehatan, serta implikasinya bagi pengembangan ekosistem kesehatan digital di masa depan.
KORISA 2024.
Page 1-17 https://ejournal.
id/index.
php/korisa Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
2 Tahun 2024 Page 3 of 17 Metode Penelitian Penelitian ini menggunakan pendekatan tinjauan naratif .
arrative literature revie.
untuk mengeksplorasi penerapan kecerdasan buatan (Artificial Intelligence/AI) dan pembelajaran mesin (Machine Learning/ML) dalam diagnosis serta pengambilan keputusan medis.
Pendekatan ini dipilih karena memberikan fleksibilitas dalam menganalisis berbagai model, konteks klinis, dan tren perkembangan teknologi, tanpa membatasi pada satu jenis algoritma atau domain penyakit tertentu.
Strategi Pencarian Literatur Pencarian artikel dilakukan pada tiga basis data ilmiah utama, yaitu ScienceDirect.
Ie Xplore, dan SpringerLink, dengan rentang publikasi 2015 hingga 2024.
Kata kunci yang digunakan antara lain: Auartificial intelligence in healthcareAy.
Aumachine learning for medical diagnosisAy.
AuAI clinical decision supportAy, dan AuAI medical imagingAy.
Pencarian dilakukan pada OktoberAeDesember 2024.
Kriteria Inklusi dan Eksklusi Artikel yang disertakan dalam tinjauan ini dipilih berdasarkan beberapa kriteria utama yang memastikan relevansi dan kualitas literatur.
Studi yang masuk dalam kategori inklusi adalah artikel peer-reviewed yang secara jelas membahas penerapan kecerdasan buatan atau pembelajaran mesin dalam konteks diagnosis medis atau pendukung keputusan klinis.
Artikel yang dianalisis mencakup penelitian berbasis data, studi tinjauan, serta publikasi ilmiah lain yang memberikan kontribusi signifikan terhadap perkembangan AI di sektor kesehatan.
Hanya artikel berbahasa Inggris dan Indonesia yang dipertimbangkan, dan seluruhnya harus menyediakan penjelasan metodologis yang memadai terkait teknik atau model AI yang digunakan.
Sebaliknya, artikel yang berfokus pada penggunaan AI dalam administrasi kesehatan tanpa keterkaitan dengan proses diagnosis tidak dimasukkan dalam kajian.
Publikasi yang tidak memiliki metodologi yang jelas, bersifat opini, atau tidak menyediakan data empiris yang relevan juga dikeluarkan dari analisis.
Dengan pendekatan ini, pemilihan artikel dilakukan secara selektif untuk memastikan bahwa literatur yang dibahas benar-benar mendukung tujuan tinjauan ini dalam mengevaluasi perkembangan, manfaat, dan tantangan aplikasi AI dalam diagnosis dan layanan medis.
Proses Seleksi Literatur Proses awal menghasilkan sejumlah publikasi yang relevan berdasarkan kata kunci dan basis data.
Setelah melakukan penyaringan berbasis judul, abstrak, dan kesesuaian topik, diperoleh 15 artikel yang memenuhi kriteria inklusi dan dianalisis lebih mendalam.
Artikel-artikel ini kemudian ditinjau untuk mengidentifikasi pendekatan AI, tingkat akurasi dan performa model .
ika tersedi.
, konteks klinis, tantangan implementasi, serta aspek etis dan privasi data.
Analisis Literatur Analisis dilakukan dengan meninjau setiap artikel secara tematik berdasarkan aplikasi utama AI dalam diagnosis, tantangan implementasi, bias algoritma, serta kontribusi klinis dari masing-masing studi.
Pendekatan naratif KORISA 2024.
Page 1-17 https://ejournal.
id/index.
php/korisa Page 4 of 17 Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
2 Tahun 2024 memungkinkan integrasi antar-temuan dan pengembangan sintesis konseptual mengenai peran AI dalam peningkatan mutu diagnosis dan layanan kesehatan.
Potensi Bias Mengingat sifat narrative review, potensi bias tetap ada pada proses seleksi literatur.
Untuk meminimalkan bias, pemilihan artikel dilakukan dengan mempertimbangkan kualitas metodologi, reputasi jurnal, serta relevansi Meski demikian, hasil kajian lebih bersifat sintesis deskriptif daripada generalisasi statistik.
Hasil dan Pembahasan Hasil Review Analisis terhadap 15 artikel yang memenuhi kriteria inklusi menunjukkan bahwa penerapan kecerdasan buatan (AI) dan pembelajaran mesin (ML) dalam diagnosis medis telah berkembang pesat di berbagai domain klinis.
Studi-studi tersebut mencakup aplikasi untuk analisis citra medis, pemodelan risiko pasien, prediksi penyakit kronis, hingga interpretasi data genomik.
Ringkasan karakteristik utama dari setiap artikel, termasuk tujuan studi, pendekatan algoritmik, kelebihan, serta keterbatasannya, disajikan pada Tabel 1 sebagai hasil sintesis awal dari kajian ini.
Tabel 1.
Hasil Tinjauan Pustaka Judul Artificial Intelligence in Healthcare:
Review.
Ethics.
Trust Challenges & Future Research Directions (Kumar et al.
KORISA 2024.
Page 1-17 Penulis Pranjal Kumar.
Siddhartha Chauhan.
Lalit Kumar Awasthi Hasil Hasil dalam paper ini komprehensif tentang penerapan kecerdasan (AI) layanan kesehatan, serta identifikasi tantangan etika dan kepercayaan Penelitian penelitian masa depan yang dapat membantu komunitas riset dan pembuat kebijakan di industri kesehatan di seluruh dunia.
Kelebihan Kelebihan utama dari penelitian ini adalah komprehensif yang disajikan mengenai kecerdasan buatan (AI) dalam layanan mencakup berbagai tantangan etika dan integrasi teknologi Selain itu, paper ini juga memberikan depan, yang dapat membantu peneliti Kekurangan terdapat beberapa digunakan dalam analisis, yang dapat validitas temuan.
Selain itu, fokus yang kuat pada dan kepercayaan teknis dan praktis dari penerapan AI dalam kesehatan, serta temuan yang https://ejournal.
id/index.
php/korisa Page 5 of 17 Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
2 Tahun 2024 The Role of Artificial Intelligence in Healthcare: A Systematic Review Applications Challenges.
(Francisca Chibugo Udegbe et al.
Francisca Chibugo Udegbe.
Ogochukwu Roseline Ebulue.
Charles Chukwudalu Ebulue, dan Chukwunonso Sylvester Ekesiobi.
Artificial Intelligence in Healthcare:
Applications.
Benefits.
Challenges.
Future Directions.
(Rishabh Sharma, 2.
Rishabh Sharma.
Bhupesh Patra KORISA 2024.
Page 1-17 Hasil Kecerdasan Buatan (AI) memiliki potensi besar dalam operasi kesehatan dan Namun, integrasi AI di sektor masalah privasi dan keamanan data, isu etika dan hukum, kesulitan interoperabilitas, serta hambatan aksesibilitas dan skalabilitas Hasil dari penelitian ini menunjukkan bahwa AI memiliki potensi untuk meningkatkan akurasi diagnosis, memprediksi rencana perawatan, dan meningkatkan efisiensi memahami implikasi Kelebihan penggunaan AI dalam kesehatan termasuk untuk meningkatkan efisiensi dan akurasi dalam diagnosis serta dapat mengarah pada hasil kesehatan yang lebih baik.
Selain itu.
AI dapat membantu dalam pengelolaan keputusan klinis.
Kelebihan penerapan AI dalam kesehatan termasuk pasien, pengurangan biaya kesehatan, dan akses yang lebih baik sepenuhnya dapat digeneralisasi ke layanan kesehatan kekurangan yang mencakup risiko kehilangan privasi potensi bias dalam algoritma AI, dan tantangan dalam interaksi manusiaAI yang efektif.
Oleh karena itu, pedoman etika dan kerangka hukum yang jelas untuk tantangan ini dan memastikan bahwa teknologi AI dapat secara aman dan praktik Kesehatan.
Terdapat seperti tantangan terkait privasi dan integrasi dengan sistem yang ada, pertimbangan etis, teknologi AI https://ejournal.
id/index.
php/korisa Page 6 of 17 Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
2 Tahun 2024 The future of AI Vincent X.
Liu in critical care is augmented, not artificial, (Liu, 2.
Deep learning for healthcare.
(Miotto et al.
KORISA 2024.
Page 1-17 Riccardo Miotto.
Fei Wang.
Shuan Whang.
Xiaoqian Jiang Joel Dudley penyampaian layanan Dalam paper ini.
Liu menekankan pentingnya kecerdasan buatan (AI) augmentatif, yang dapat kemampuan klinisi dan menggantikan mereka.
Hasil dari penelitian ini meskipun AI memiliki potensi besar untuk meningkatkan efisiensi dan efektivitas dalam perawatan kesehatan, ada tantangan signifikan yang harus termasuk kepercayaan rekomendasi AI dan Hasil dari penelitian ini penerapan deep learning dalam analisis data kesehatan, seperti citra klinis, rekam medis (EHR), dibandingkan dengan metode pembelajaran mesin konvensional.
Kelebihan adalah fokus pada manusia dan mesin, keputusan yang lebih Selain itu, penekanan untuk menggunakan merupakan langkah meminimalkan risiko kekurangan yang termasuk potensi bias dalam data untuk melatih AI, hasil yang tidak Selain tantangan dalam diambil oleh AI kepercayaan klinisi terhadap teknologi Kelebihan data yang kompleks dan beragam, serta lebih baik untuk analisis medis kekurangan yang adalah kurangnya berbagai sumber menggunakan deep tantangan dalam https://ejournal.
id/index.
php/korisa Page 7 of 17 Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
2 Tahun 2024 The Impact of Artificial Intelligence on Healthcare.
(Sharma et al.
Pranav Veepanattu Zinnia Sharma Hasil dari penelitian ini penerapan kecerdasan (AI) sektor kesehatan dapat meningkatkan efisiensi diagnosis, pengobatan, dan manajemen pasien.
Artificial (Reddy et al.
Sandeep Reddy.
John Fox.
Maulik Purohit.
Hasil dari penelitian ini kecerdasan buatan (AI) dalam sistem kesehatan, terutama dalam empat administrasi kesehatan, pasien, dan intervensi A Review on Eteka Sultana Applications of Tumpa Machine Krishno Dey Learning Healthcare.
(Tumpa & Dey.
Hasil dari penelitian ini Machine Learning (ML) dalam sektor kesehatan memiliki potensi besar KORISA 2024.
Page 1-17 Kelebihan penggunaan AI dalam kesehatan termasuk kemampuan untuk besar dengan cepat dan akurat, serta perawatan kesehatan Kelebihan penerapan AI dalam yang lebih tinggi dalam pengelolaan kesalahan medis, dan peningkatan kualitas perawatan melalui analisis data yang lebih baik.
Kelebihan penggunaan Machine Learning kesehatan termasuk kemampuan untuk dalam jumlah besar profesional medis rekomendasi yang sistem prediktif Kekurangan dalam artikel ini seperti tantangan dalam integrasi teknologi ke dalam sistem ada, serta masalah etika dan privasi data pasien yang perlu diperhatikan kekurangan yang perlu diperhatikan, seperti tantangan dalam hal regulasi terjadi kesalahan.
Selain itu, ada dalam algoritma AI hasil perawatan, dari tenaga medis dalam mengadopsi teknologi baru.
Kekurangan yang perlu diperhatikan, seperti tantangan dalam hal privasi dan keamanan data potensi bias dalam https://ejournal.
id/index.
php/korisa Page 8 of 17 Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
2 Tahun 2024 Paper ini mengulas berbagai algoritma ML yang digunakan dalam seperti pengenalan pola dari data medis dan prediksi penyakit, serta bagaimana teknologi ini dapat mengurangi biaya pengelolaan data pasien.
Machine Jenna Wiens Hasil dari penelitian ini Learning for dan Erica S.
Healthcare: On Shenoy Machine the Verge of a Learning (ML) dalam Major Shift in epidemiologi kesehatan Healthcare dapat secara signifikan Epidemiology.
(Wiens Shenoy, 2.
faktor risiko infeksi yang perawatan kesehatan.
Paper ini menguraikan bagaimana ML dapat stratifikasi risiko pasien, identifikasi penyebaran intervensi yang lebih mengurangi infeksi yang perawatan kesehatan.
Machine Konstantina Hasil dari penelitian ini Kourou, applications in Themis Exarchos.
Machine Learning (ML) Konstantinos dalam prognosis dan KORISA 2024.
Page 1-17 solusi yang lebih personal bagi pasien.
Selain itu, adopsi teknologi ini juga tenaga medis yang mungkin kurang penggunaan alat berbasis AI.
Kelebihan dalam epidemiologi kesehatan termasuk kemampuan untuk besar dan kompleks dengan lebih efisien, serta meningkatkan memprediksi risiko Kekurangan seperti tantangan pengumpulan dan pengolahan data yang berkualitas potensi bias dalam Selain Kelebihan kemampuan untuk Kekurangan seperti kurangnya validasi eksternal dalam banyak studi https://ejournal.
id/index.
php/korisa Page 9 of 17 Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
2 Tahun 2024 prognosis and (Kourou et al.
prediksi kanker telah menunjukkan potensi yang signifikan dalam meningkatkan akurasi Paper ini mengulas berbagai metode ML yang digunakan untuk perkembangan kanker, termasuk prediksi risiko dan kelangsungan hidup Penelitian ini juga menyoroti bahwa meskipun ML dapat validasi yang tepat diperlukan agar metode ini dapat diterapkan dalam praktik klinis sehari-hari.
Machine Hafsa Habehh Hasil dari penelitian ini Learning in dan Suril menunjukkan Healthcare.
Gohel (Habehh Kecerdasan Gohel, 2.
Buatan (AI) dan Machine Learning (ML) telah membawa perubahan prediksi dan identifikasi penyakit, serta respons Paper memberikan gambaran pendekatan berbasis ML KORISA 2024.
Page 1-17 Exarchos.
Michalis Karamouzis, dan Dimitrios Fotiadis menganalisis dataset yang kompleks dan ML juga identifikasi fitur-fitur kunci dari data yang dalam pengambilan keputusan klinis yang lebih baik.
Selain tantangan dalam pengumpulan data yang cukup besar potensi bias dalam pemilihan fitur dan Keterbatasan model ML juga menjadi perhatian Kelebihan penerapan ML dalam kesehatan termasuk peningkatan efisiensi dalam pengelolaan kemampuan untuk dalam sampel darah dan citra medis, serta keputusan klinis.
untuk mempercepat kekurangan yang perlu diperhatikan, seperti skeptisisme terhadap aplikasi interpretasi hasil berbasis ML dalam Selain terkait privasi data dan kekhawatiran etis juga menjadi perhatian, di mana penggunaan data https://ejournal.
id/index.
php/korisa Page 10 of 17 Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
2 Tahun 2024 Privacy and Blake Murdoch challenges for information in a new era.
(Murdoch.
Artificial Rateesh Intelligence in Sareen Health Care:
Ethical Challenges.
(Rateesh Sareen, 2.
KORISA 2024.
Page 1-17 Hasil dari penelitian ini buatan (AI) di bidang perlindungan informasi kesehatan pasien.
Paper berbagai masalah yang kesehatan oleh entitas swasta, termasuk risiko pelanggaran privasi dan mengontrol penggunaan Penelitian ini juga menekankan perlunya yang lebih ketat untuk melindungi data pasien dan memastikan bahwa hak-hak pasien tetap Hasil dari penelitian ini penerapan kecerdasan (AI) tantangan etis yang respons rumah sakit dalam situasi darurat.
COVID-19, secara lebih efektif.
Kelebihan penelitian ini adalah perlindungan privasi penggunaan AI di Paper wawasan mendalam tentang bagaimana AI dapat meningkatkan efisiensi dan akurasi dalam pengelolaan menyoroti perlunya regulasi yang kuat informasi sensitif.
Kelebihan dari paper ini adalah penekanan aspek etis dalam penerapan AI di hati-hati.
Kekurangan seperti kurangnya solusi praktis yang tantangan privasi Meskipun penulis perlunya regulasi yang lebih ketat, tidak ada rincian bagaimana regulasi Selain tantangan dalam teknologi AI dan tentang bias dalam secara mendalam kekurangan seperti kurangnya solusi tantangan etis yang Meskipun penulis https://ejournal.
id/index.
php/korisa Page 11 of 17 Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
2 Tahun 2024 Impact Artificial Intelligence on Healthcare Quality:
Systematic Review Meta-Analysis.
(Alzghoul.
KORISA 2024.
Page 1-17 Bashar Alzghoul.
Imam Abdulrahman masalah privasi pasien, tanggung jawab atas keputusan yang diambil oleh sistem AI.
Paper ini menguraikan bagaimana algoritma pembelajaran prinsipprinsip etika tradisional dalam hubungan dokterpasien, serta pentingnya regulasi yang tepat bahwa teknologi ini digunakan dengan cara mengorbankan praktik medis yang etis.
Hasil dari penelitian ini penerapan kecerdasan buatan (AI) memiliki dampak positif yang Melalui analisis sistematis dan meta-analisis dari 18 studi yang memenuhi menemukan bahwa AI efisiensi, akurasi, dan kepuasan pasien dalam meskipun tidak semua studi menunjukkan hasil Penulis memberikan aplikasi AI yang dapat meningkatkan potensi manfaat yang dapat diperoleh dari teknologi ini perlunya regulasi, tidak ada rincian bagaimana regulasi diterapkan dalam Selain itu, paper ini juga tidak membahas secara mendalam tentang tenaga medis dan penggunaan AI Kelebihan dari paper dampak AI dalam tentang bagaimana teknologi ini dapat Penulis heterogenitas dalam melakukan analisis sub-kelompok untuk Kekurangan seperti tingginya antara studi yang generalisasi hasil.
Selain potensi positif AI, aplikasi AI dalam kesehatan terbukti https://ejournal.
id/index.
php/korisa Page 12 of 17 Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
2 Tahun 2024 yang signifikan secara Artificial Chokri Kooli Intelligence in dan Hend Al Healthcare: A Muftah Comprehensive Review of Its Ethical Concerns.
(Kooli & Al Muftah, 2.
Artikel ini membahas kecerdasan buatan (AI) dalam sektor kesehatan, dengan fokus pada tantangan etis yang Penelitian ini beberapa masalah etis utama yang dihadapi meliputi privasi pasien, keselamatan pasien, dan Meskipun AI dapat meningkatkan kinerja tantangan etis ini tidak dihilangkan, meskipun yang berkelanjutan.
wawasan lebih dalam mempengaruhi hasil Salah satu kelebihan dari artikel ini adalah komprehensif yang meneliti isu-isu etis terkait AI di bidang Penulis mengumpulkan data dari sumber yang gambaran yang jelas yang dihadapi.
Selain itu, artikel ini juga masalah etis, seperti ilmuwan komputer dan tenaga medis.
Artikel ini juga memiliki beberapa Misalnya, berbagai tantangan etis, tidak ada analisis mendalam tentang bagaimana kebijakan yang ada dapat diadaptasi untuk mengatasi masalah ini.
Selain itu, artikel mungkin kurang dari penerapan AI yang berhasil di sektor kesehatan, potensi dan risiko yang ada.
Secara umum, hasil kajian menunjukkan bahwa algoritma berbasis deep learning memberikan performa yang sangat kompetitif pada tugas diagnosis berbasis citra, seperti deteksi kanker paru-paru, kanker kulit, dan kelainan pada pencitraan radiologi.
Beberapa artikel melaporkan tingkat akurasi model yang setara atau bahkan melampaui tenaga medis manusia (Ardila et al.
, 2019.
Esteva et al.
, 2.
Pada domain lain seperti analisis data elektronik rekam medis (EHR), model ML seperti random forest, gradient boosting, dan deep neural networks KORISA 2024.
Page 1-17 https://ejournal.
id/index.
php/korisa Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
2 Tahun 2024 Page 13 of 17 menunjukkan kemampuan prediktif yang kuat dalam memproyeksikan hasil klinis dan mendeteksi risiko kejadian akut (Rajkomar et al.
, 2018.
Miotto et al.
, 2.
Selain manfaat tersebut, hasil kajian juga mengidentifikasi sejumlah tantangan umum.
Salah satunya adalah potensi bias yang muncul dari dataset pelatihan yang tidak seimbang, yang dapat berdampak pada ketidakakuratan diagnosis pada kelompok populasi tertentu.
Tantangan lainnya mencakup keterbatasan kualitas data, kebutuhan infrastruktur komputasi yang memadai, serta risiko privasi dan keamanan informasi medis.
Artikel yang berfokus pada isu etika (Murdoch, 2021.
Kooli & Al Muftah, 2.
juga menunjukkan bahwa penerapan AI harus dilakukan dengan pengawasan yang ketat untuk memastikan perlindungan data dan mencegah dampak sosial negatif seperti diskriminasi berbasis algoritma.
Namun, meskipun manfaat yang ditawarkan oleh AI dan ML sangat besar, tantangan-tantangan tertentu tetap ada dalam implementasi teknologi ini.
Salah satu tantangan utama yang dihadapi adalah perlindungan data dan privasi pasien.
Mengingat volume data medis yang besar dan sensitif yang dihasilkan dalam sistem kesehatan, kebocoran data atau penyalahgunaan informasi dapat merusak kepercayaan pasien terhadap sistem perawatan Oleh karena itu, teknologi seperti blockchain telah diintegrasikan dalam beberapa kasus untuk menjamin keamanan dan transparansi dalam pengelolaan data medis (Azaria et al.
, 2.
Blockchain dapat memberikan lapisan perlindungan tambahan dengan memastikan bahwa data pasien tidak dapat dimanipulasi tanpa sepengetahuan pihak terkait, sehingga meningkatkan tingkat kepercayaan dalam penggunaan AI di sektor Di sisi lain, adopsi teknologi AI dan ML dalam sektor kesehatan juga menghadapi masalah aksesibilitas, terutama di negara-negara berkembang.
Pengembangan model pembelajaran mesin yang efektif membutuhkan akses ke data berkualitas tinggi, serta infrastruktur teknologi yang memadai.
Namun, di banyak negara berkembang, tantangan terkait infrastruktur yang terbatas dan ketidakmampuan untuk mengumpulkan dan mengelola data dalam jumlah besar dapat menjadi hambatan signifikan dalam penerapan teknologi ini.
Selain itu, masih ada tantangan besar dalam memastikan bahwa tenaga medis memiliki kemampuan yang memadai untuk bekerja dengan teknologi ini.
Banyak tenaga medis yang mungkin kurang terlatih dalam menggunakan sistem berbasis AI, yang dapat memperlambat adopsi dan mengurangi dampak positif yang dapat diberikan oleh teknologi tersebut (Shickel et al.
, 2.
Dalam implementasi AI, salah satu masalah yang sering muncul adalah bias dalam algoritma.
Meskipun algoritma pembelajaran mesin dirancang untuk memberikan keputusan yang obyektif, kenyataannya model AI dapat mengadopsi bias dari data yang digunakan untuk melatihnya.
Data yang digunakan untuk melatih algoritma AI sering kali mencerminkan bias yang ada dalam masyarakat, seperti bias rasial atau gender, yang dapat menyebabkan keputusan yang tidak adil dalam diagnosis atau perawatan (Rajkomar et al.
, 2.
Oleh karena itu, penting untuk terus memperbaiki kualitas data dan memastikan keberagaman dalam data pelatihan agar teknologi AI dapat memberikan hasil yang adil dan inklusif bagi seluruh populasi.
Dalam hal ini, aspek etika dan tanggung jawab dalam penggunaan AI dalam kesehatan menjadi sangat penting.
Sebagaimana disoroti dalam berbagai studi (Rateesh Sareen, 2.
ada kekhawatiran mengenai pengambilan keputusan medis yang sepenuhnya bergantung pada mesin tanpa intervensi manusia.
Walaupun AI dapat memberikan rekomendasi berbasis data yang sangat kuat, keputusan akhir tetap harus melibatkan profesional medis yang mampu mempertimbangkan konteks yang lebih luas dan dampak sosial dari setiap keputusan.
Oleh KORISA 2024.
Page 1-17 https://ejournal.
id/index.
php/korisa Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
2 Tahun 2024 Page 14 of 17 karena itu, pendekatan augmentatif, di mana AI digunakan untuk mendukung keputusan klinis tanpa menggantikan profesional medis, lebih disarankan untuk mengurangi risiko kesalahan yang tidak terdeteksi dalam proses pengambilan keputusan (Liu, 2.
Pendekatan ini dapat membantu menciptakan kolaborasi yang lebih efektif antara teknologi dan tenaga medis, yang pada gilirannya dapat meningkatkan hasil kesehatan secara Keberhasilan implementasi AI dalam kesehatan juga bergantung pada regulasi dan kebijakan yang tepat.
Untuk memastikan bahwa teknologi ini digunakan dengan cara yang etis dan aman, regulasi yang jelas mengenai privasi data pasien, keandalan algoritma, dan penggunaan teknologi harus diterapkan secara ketat.
Beberapa penelitian menekankan pentingnya pengawasan yang lebih ketat terhadap pengembangan dan penggunaan AI, serta perlunya kebijakan yang memastikan bahwa teknologi ini tidak menimbulkan kerugian bagi pasien atau masyarakat secara umum (Murdoch, 2.
Temuan ini menegaskan bahwa meskipun AI dan ML memiliki kemampuan untuk meningkatkan akurasi dan efisiensi sistem diagnostik, implementasinya masih memerlukan pendekatan yang hati-hati, bertahap, dan berbasis regulasi, terutama di lingkungan klinis yang kompleks.
Sintesis literatur ini menunjukkan bahwa keberhasilan pemanfaatan AI sangat dipengaruhi oleh kualitas data, kesiapan tenaga medis, regulasi etis, dan integrasi teknologi yang tepat sesuai konteks layanan kesehatan.
Pembahasan Hasil kajian terhadap berbagai studi menunjukkan bahwa penerapan kecerdasan buatan dan pembelajaran mesin dalam diagnosis medis menawarkan peluang signifikan untuk meningkatkan kualitas layanan kesehatan.
Namun, efektivitas implementasinya sangat bervariasi bergantung pada jenis algoritma, domain klinis, serta kualitas data yang digunakan.
Berbeda dengan bagian hasil yang bersifat deskriptif, bagian pembahasan ini mengintegrasikan temuan dari berbagai studi untuk memetakan pola, kesenjangan, serta implikasi klinis yang lebih luas.
Secara umum, algoritma deep learning memberikan keunggulan substansial untuk tugas diagnosis berbasis citra Studi seperti manusia Ardila et al.
dan Esteva et al.
menunjukkan bahwa model deep neural networks dapat mencapai akurasi yang sebanding atau lebih baik dibandingkan ahli radiologi.
Keunggulan ini mengindikasikan potensi AI dalam mendukung deteksi dini penyakit, terutama pada kasus yang membutuhkan analisis visual detail.
Namun, keunggulan ini tidak tanpa syarat.
performa model secara langsung dipengaruhi oleh ukuran dan keragaman dataset pelatihan.
Kurangnya representasi populasi dalam data dapat menyebabkan bias diagnosis dan menurunkan akurasi model pada kelompok pasien tertentu, sebagaimana diidentifikasi oleh Rajkomar et al.
Pada domain prediksi klinis berbasis data elektronik pasien, model pembelajaran mesin seperti random forest, gradient boosting, dan deep learning menawarkan kemampuan prediktif yang kuat dalam mengidentifikasi risiko komplikasi dan hasil pasien.
Meskipun demikian, tantangan yang muncul adalah keterbatasan interpretabilitas Model prediktif yang sangat kompleks dapat menghasilkan keputusan yang sulit dipahami oleh tenaga medis, sehingga menghambat penerimaan klinis dan menurunkan kepercayaan pengguna terhadap sistem AI.
Studi Liu .
menekankan pentingnya pendekatan augmented intelligence, di mana AI berfungsi sebagai alat pendukung yang meningkatkan kapasitas tenaga medis, bukan sebagai pengganti pengambilan keputusan KORISA 2024.
Page 1-17 https://ejournal.
id/index.
php/korisa Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
2 Tahun 2024 Page 15 of 17 Selain itu, aspek etika dan privasi data menjadi isu utama yang banyak disoroti oleh literatur.
Tantangan ini mencakup risiko kebocoran data, penyalahgunaan informasi kesehatan, serta kurangnya regulasi yang mampu menjamin penggunaan data secara aman dan etis.
Murdoch .
dan Kooli & Al Muftah .
menegaskan bahwa keberhasilan integrasi AI dalam kesehatan sangat bergantung pada kejelasan kebijakan perlindungan data dan pengawasan terhadap penggunaan algoritma.
Tanpa regulasi yang memadai, penggunaan AI berpotensi menimbulkan kerugian sosial, termasuk diskriminasi berbasis algoritma dan pelanggaran privasi.
Dari perspektif implementasi klinis, salah satu implikasi yang paling menonjol adalah perlunya kesiapan tenaga medis dalam menggunakan sistem AI.
Banyak studi menggarisbawahi bahwa adopsi AI dapat terhambat oleh rendahnya pemahaman klinisi terhadap cara kerja algoritma, keraguan terhadap hasil AI, serta kesulitan dalam mengintegrasikan teknologi baru ke dalam alur kerja klinis.
Diperlukan pelatihan yang memadai serta pendekatan interdisipliner antara teknolog, ilmuwan data, dan tenaga medis untuk memastikan bahwa sistem AI dapat diterapkan secara efektif dan aman di lingkungan klinis.
Dengan demikian, pembahasan ini menggarisbawahi bahwa keberhasilan implementasi AI tidak hanya ditentukan oleh kemampuan teknologinya, tetapi juga oleh kualitas data, kesiapan sumber daya manusia, regulasi yang jelas, dan penerimaan klinis.
Integrasi aspek-aspek tersebut menjadi prasyarat utama agar pemanfaatan AI dan ML dapat memberikan dampak klinis yang signifikan dan berkelanjutan.
Kesimpulan Kajian ini menunjukkan bahwa kecerdasan buatan (Artificial Intelligence/AI) dan pembelajaran mesin (Machine Learning/ML) memiliki potensi besar dalam meningkatkan akurasi diagnosis medis, mempercepat proses pengambilan keputusan klinis, serta memperluas kemampuan deteksi dini berbagai penyakit.
Studi-studi yang dianalisis menunjukkan bahwa algoritma berbasis deep learning unggul dalam analisis citra medis, sementara model pembelajaran mesin tradisional memberikan performa prediktif yang kuat untuk data klinis elektronik dan manajemen penyakit kronis.
Namun, efektivitas penerapan AI sangat dipengaruhi oleh kualitas dan keragaman data, tingkat interpretabilitas model, serta kesiapan sumber daya manusia dalam memahami dan memanfaatkan teknologi tersebut.
Selain itu, integrasi AI dalam layanan kesehatan memerlukan perhatian serius terhadap isu etika, privasi data, dan potensi bias algoritmik.
Aspek-aspek ini menjadi faktor kritis yang menentukan keberterimaan klinis dan keberlanjutan pemanfaatan AI di fasilitas kesehatan.
Oleh karena itu, implementasi AI perlu dilakukan secara bertahap, didukung oleh regulasi yang jelas, pelatihan tenaga medis, serta kolaborasi yang erat antara ilmuwan data, pengembang teknologi, dan praktisi kesehatan.
Sebagai take-home message, kajian ini menegaskan bahwa AI bukanlah pengganti tenaga medis, melainkan alat yang dapat memperkuat kapasitas klinis dan meningkatkan mutu layanan.
Penelitian ke depan perlu difokuskan pada peningkatan kualitas dataset, pengembangan model yang lebih transparan dan dapat dijelaskan .
xplainable AI), serta evaluasi implementasi di lingkungan klinis nyata untuk memastikan bahwa teknologi ini memberikan manfaat yang aman, efektif, dan berkelanjutan bagi pasien dan sistem kesehatan.
KORISA 2024.
Page 1-17 https://ejournal.
id/index.
php/korisa Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
2 Tahun 2024
Page 16 of 17
Referensi