PERPUSTAKAAN DIGITAL ABBA

Seri “Dari Bangsal ke Beranda: Obstetri Ginekologi Sosial sebagai Ilmu Kedokteran Utuh”

Buku Tambahan — Klaster Digital

Digitalisasi Layanan Obstetri-Ginekologi Sosial

Rekam Medis Elektronik, Telemedicine, dan Kecerdasan Buatan dalam Praktik Obginsos

Kode Buku: DIG-2

Buku Pelengkap — Melengkapi SI-1, RS-1, dan RS-5 (Semester 3–4)

Program Pendidikan Dokter Subspesialis Obstetri Ginekologi Sosial (Obginsos)

Disusun berdasarkan materi Textbook Subspesialis Obstetri Ginekologi Sosial (Himpunan Obstetri Ginekologi Sosial – Center Malang, 2026), disusun ulang dan disunting sebagai buku tersendiri dalam Klaster Digital.

Penyusun:

Dr.dr. Budi Siswanto, Sp.OG., Subsp.Obginsos., SH., S.Kom. — Advokat

Malang, Juli 2026

Daftar Isi

Bab 1 — Rekam Medis Elektronik dan Sistem Informasi Manajemen Puskesmas

Bab 2 — Telemedicine dalam Obstetri Ginekologi

Bab 3 — Kecerdasan Buatan dan Inovasi Digital dalam Obginsos

Daftar Referensi

BAB 1

Sistem Informasi Kesehatan Maternal

Dokter yang tidak mampu membaca dan menggunakan sistem informasi kesehatan pada era ini adalah dokter yang beroperasi setengah buta. Bab ini mengubah Anda dari konsumen data menjadi analis dan pengguna data yang aktif menggerakkan perubahan.

BAB 1

SISTEM INFORMASI KESEHATAN MATERNAL

Data, interoperabilitas, dan analitik sebagai infrastruktur pengambilan keputusan berbasis bukti

1.1 Rekam Medis Elektronik dalam Obstetri-Ginekologi

Transformasi digital sistem kesehatan bukan sekadar tentang mengganti kertas dengan layar — ia adalah perubahan fundamental dalam cara kita mengumpulkan, menyimpan, berbagi, dan menggunakan informasi klinis untuk mengoptimalkan perawatan pasien dan kesehatan populasi. Dalam konteks Obginsos, RME yang dirancang baik dapat menjadi instrumen yang secara aktif membantu dokter memberikan perawatan yang lebih baik: mengingatkan tentang pemeriksaan yang terlewat, mengidentifikasi pola risiko, dan memfasilitasi koordinasi antara tenaga kesehatan yang berbeda.

1.1.1 Standar Interoperabilitas HL7 FHIR

HL7 FHIR (Fast Healthcare Interoperability Resources) adalah standar teknis yang mendefinisikan bagaimana data kesehatan harus distrukturkan dan dipertukarkan antara sistem yang berbeda. Dikembangkan oleh Health Level Seven International (HL7), FHIR menggunakan teknologi web modern (RESTful API, JSON, XML) yang memudahkan integrasi antar-sistem dibandingkan standar HL7 versi sebelumnya yang lebih kompleks.

Dalam konteks Indonesia, FHIR menjadi backbone teknis dari platform SATU SEHAT yang dikembangkan Kemenkes sebagai upaya menyatukan data kesehatan nasional. Pemahaman dasar tentang FHIR penting bagi seorang subspesialis Obginsos yang terlibat dalam perencanaan atau evaluasi sistem informasi di institusinya — bukan untuk menjadi programmer, tetapi untuk dapat berkomunikasi secara efektif dengan tim IT tentang kebutuhan klinis yang harus dipenuhi oleh sistem.

1.1.2 Implementasi RME Maternal di Fasilitas Indonesia

Implementasi RME di fasilitas kesehatan Indonesia masih sangat tidak merata — mencerminkan kesenjangan infrastruktur digital yang lebih luas. RS tipe A dan B di kota besar umumnya sudah memiliki RME yang terintegrasi, meskipun kualitas dan kelengkapan modul obstetri-ginekologi sangat bervariasi. RS tipe C dan D di kabupaten, serta Puskesmas, banyak yang masih menggunakan sistem parsial atau bahkan sepenuhnya berbasis kertas.

a. RME di RS Tersier: Fitur Khusus Obstetri-Ginekologi

RME obstetri-ginekologi yang ideal di RS tersier harus mencakup modul-modul terintegrasi yang saling terhubung: modul ANC (pencatatan kunjungan, skrining risiko, hasil lab, USG, jadwal kunjungan berikutnya); modul persalinan (partograf elektronik real-time, monitoring CTG yang terintegrasi, dokumentasi tindakan persalinan); modul NICU (terhubung dengan modul persalinan untuk kontinuitas data bayi); modul ginekologi (rekam medis poliklinik, jadwal tindakan, hasil histopatologi); dan modul KB (riwayat kontrasepsi, konseling yang didokumentasikan, efek samping yang dilaporkan).

Fitur decision support yang paling bermanfaat dalam RME obstetri: alert otomatis untuk nilai laboratorium abnormal yang kritis (Hb < 8, trombosit < 100.000, proteinuria 2+), reminder pemeriksaan yang seharusnya sudah dilakukan berdasarkan usia gestasi, kalkulator skor risiko terintegrasi (misalnya Kartu Skor Poedji Rochjati digital), dan alert interaksi obat pada perempuan hamil.

b. RME di Puskesmas: SIMPUS dan Keterbatasannya

SIMPUS (Sistem Informasi Manajemen Puskesmas) adalah platform RME yang digunakan di Puskesmas di seluruh Indonesia, dengan berbagai varian yang dikembangkan oleh Dinas Kesehatan masing-masing kabupaten/kota atau oleh vendor swasta. Modul KIA dalam SIMPUS memungkinkan pencatatan kunjungan ANC, persalinan, imunisasi, dan KB secara digital, serta pelaporan otomatis ke Dinas Kesehatan.

Keterbatasan utama SIMPUS: fragmentasi antar-kabupaten (setiap kabupaten bisa menggunakan SIMPUS yang berbeda, menghambat agregasi data nasional), ketergantungan pada konektivitas internet yang tidak stabil di daerah terpencil, antarmuka yang tidak intuitif yang menurunkan kepatuhan pengisian, dan keterbatasan kapasitas pelatihan untuk tenaga kesehatan. Upaya standardisasi melalui SATU SEHAT diharapkan dapat mengatasi fragmentasi ini secara bertahap.

c. Keamanan Data Pasien dalam RME

Keamanan dan privasi data pasien dalam RME adalah kewajiban hukum (PP No. 71 Tahun 2019 tentang Penyelenggaraan Sistem dan Transaksi Elektronik) dan etika profesional. Prinsip-prinsip keamanan data yang harus dipastikan: akses berbasis peran (hanya tenaga yang berwenang dapat mengakses data yang relevan dengan perannya), enkripsi data saat transmisi dan penyimpanan, audit trail (semua akses dan perubahan data tercatat), backup reguler, dan protokol response terhadap insiden keamanan data.

1.2 Sistem Informasi Manajemen Puskesmas (SIMPUS)

1.2.1 Modul KIA dalam SIMPUS

Modul Kesehatan Ibu dan Anak (KIA) dalam SIMPUS adalah salah satu modul yang paling aktif digunakan di Puskesmas karena KIA adalah program prioritas dengan target pelaporan yang ketat. Pemahaman yang baik tentang bagaimana data KIA dikumpulkan dan dilaporkan melalui SIMPUS penting bagi seorang subspesialis Obginsos yang berperan sebagai pembina teknis Puskesmas di wilayah kerjanya.

a. Pencatatan ANC, Persalinan, dan Nifas dalam SIMPUS

SIMPUS memungkinkan pencatatan individual setiap kunjungan ANC dengan komponen yang seharusnya sesuai standar Permenkes 21/2021: identitas ibu, usia gestasi, berat badan, tekanan darah, tinggi fundus uteri, presentasi janin, denyut jantung janin, hasil pemeriksaan laboratorium, diagnosis, tatalaksana, konseling yang diberikan, dan jadwal kunjungan berikutnya. Pencatatan individual ini — ketika dilakukan secara konsisten dan akurat — memungkinkan pemantauan perkembangan setiap ibu hamil dari kunjungan ke kunjungan dan identifikasi ibu yang missedvisit secara otomatis.

b. Pelaporan Data KIA ke Dinas Kesehatan

SIMPUS secara otomatis mengagregasi data individual menjadi laporan bulanan yang dikirimkan ke Dinas Kesehatan Kabupaten/Kota. Laporan-laporan standar yang dihasilkan mencakup: cakupan K1-K4 ANC, cakupan persalinan fasilitas, cakupan kunjungan nifas, angka deteksi ibu hamil risiko tinggi, dan cakupan imunisasi TT. Data aggregat ini menjadi dasar evaluasi kinerja program KIA di tingkat kabupaten dan nasional.

c. Masalah Validitas dan Completeness Data

Kualitas data SIMPUS sangat bervariasi dan sering tidak optimal karena beberapa faktor: beban administrasi yang tinggi mendorong tenaga kesehatan untuk mengisi data secara batch setelah layanan, bukan secara real-time; kurangnya pemahaman tentang pentingnya data yang akurat untuk pengambilan keputusan; tekanan untuk memenuhi target yang mendorong 'pencatatan kreatif'; dan kurangnya supervisi dan feedback dari Dinas Kesehatan tentang kualitas data. Seorang subspesialis Obginsos yang memahami masalah ini dapat berkontribusi dalam pelatihan dan pendampingan yang meningkatkan kualitas data dari akarnya.

1.2.2 Integrasi Data Nasional: Platform SATU SEHAT

Platform SATU SEHAT adalah inisiatif transformasi digital kesehatan nasional yang dipimpin Kementerian Kesehatan, dengan ambisi untuk menyatukan seluruh data kesehatan Indonesia — dari Puskesmas di desa terpencil hingga RS swasta di kota besar — dalam satu ekosistem digital yang interoperabel. Diluncurkan secara bertahap sejak 2022, SATU SEHAT menggunakan standar FHIR sebagai bahasa data yang sama untuk semua fasilitas.

Bagi seorang subspesialis Obginsos, SATU SEHAT menjanjikan kemampuan yang belum pernah ada sebelumnya: melihat riwayat lengkap seorang pasien dari semua fasilitas yang pernah dikunjungi (termasuk Puskesmas, klinik, dan RS lain), memantau kinerja program KIA di tingkat nasional secara real-time, dan menggunakan data agregat untuk penelitian epidemiologi dengan skala yang jauh lebih besar. Namun manfaat ini baru dapat terwujud jika implementasi berjalan dengan tingkat partisipasi fasilitas yang tinggi dan kualitas data yang terjaga.

1.3 Big Data dan Analisis Kesehatan Maternal

1.3.1 Penggunaan Data untuk Pengambilan Keputusan

Kemampuan untuk mengubah data menjadi wawasan yang dapat ditindaklanjuti adalah kompetensi yang semakin penting bagi seorang subspesialis Obginsos yang berperan dalam perencanaan program. Ini tidak berarti harus menjadi statistisi atau ilmuwan data — tetapi harus mampu membaca dan menginterpretasikan tabel frekuensi, grafik tren, peta distribusi, dan laporan kinerja program dengan kritis dan bermakna.

Pertanyaan-pertanyaan analitis yang paling berguna dalam konteks program KIA: Di mana kantong-kantong dengan cakupan ANC terendah? Apakah tren AKI di kabupaten saya membaik atau memburuk? Fasilitas mana yang memiliki proporsi kasus komplikasi tertinggi? Apakah ada kelompok demografis tertentu yang secara konsisten memiliki luaran lebih buruk? Jawaban atas pertanyaan-pertanyaan ini memerlukan data yang berkualitas dan kemampuan analisis dasar.

1.3.2 Peta Risiko Maternal Berbasis GIS

Geographic Information System (GIS) memungkinkan visualisasi dan analisis spasial dari data kesehatan maternal — mengintegrasikan data epidemiologi dengan data geografis untuk menghasilkan peta yang memvisualisasikan distribusi risiko, aksesibilitas fasilitas, dan pola-pola spasial yang tidak terlihat dalam tabel data biasa.

Aplikasi GIS dalam kesehatan maternal yang paling praktis: (1) pemetaan 'catchment area' dan jarak tempuh ke fasilitas terdekat — mengidentifikasi zona dengan dead time > 2 jam yang memperbesar risiko keterlambatan ketiga; (2) spatial clustering kematian maternal — apakah kematian terkonsentrasi di daerah tertentu yang menunjukkan masalah sistemik lokal; (3) overlay dengan data sosial (kemiskinan, pendidikan, infrastruktur) untuk identifikasi daerah dengan beban risiko multidimensi tertinggi; (4) perencanaan distribusi ambulans dan fasilitas yang mengoptimalkan jangkauan berdasarkan analisis spasial.

1.3.3 Kecerdasan Buatan dalam Skrining dan Prediksi Obstetri

Penerapan machine learning dan kecerdasan buatan dalam skrining obstetri adalah bidang yang berkembang sangat cepat dengan hasil yang menjanjikan. Beberapa aplikasi yang sudah memiliki bukti klinis yang cukup kuat: algoritma prediksi pre-eklampsia berbasis kombinasi tekanan arteri rerata, Doppler arteri uterina, dan biomarker (sensitivitas 89–96% untuk pre-eklampsia onset awal); model prediksi kelahiran prematur berbasis data klinis dan laboratorium; dan analisis citra untuk klasifikasi CTG yang menunjukkan konsistensi lebih tinggi dari interpretasi manusia.

Tantangan terbesar dalam adopsi AI untuk kesehatan maternal di Indonesia adalah validasi lokal: sebagian besar model AI dikembangkan menggunakan data dari populasi Barat atau Asia Timur yang memiliki karakteristik berbeda dari populasi Indonesia. Penggunaan model yang tidak divalidasi pada populasi target berpotensi menghasilkan prediksi yang sistematically biased — terutama merugikan populasi yang sudah rentan. Seorang subspesialis Obginsos harus bersikap kritis terhadap klaim keunggulan AI medis dan menuntut bukti validasi lokal sebelum mengadopsi alat AI dalam praktik klinis.

Referensi — BAB 1 — Sistem Informasi Kesehatan dan Rekam Medis Elektronik

1. Peraturan Menteri Kesehatan No. 24 Tahun 2022 tentang Rekam Medis. Jakarta: Kemenkes. https://peraturan.bpk.go.id/Details/227405

2. Peraturan Pemerintah No. 71 Tahun 2019 tentang Penyelenggaraan Sistem dan Transaksi Elektronik. Lembaran Negara RI Tahun 2019 No. 185. https://peraturan.bpk.go.id/Details/131827

3. Undang-Undang No. 27 Tahun 2022 tentang Perlindungan Data Pribadi. Lembaran Negara RI Tahun 2022 No. 196. https://peraturan.bpk.go.id/Details/230088

4. Murdoch TB, Detsky AS. (2013). The inevitable application of big data to health care. JAMA, 309(13):1351–1352. https://doi.org/10.1001/jama.2013.393

5. Friedman CP, Wong AK, Blumenthal D. (2010). Achieving a nationwide learning health system. Science Translational Medicine, 2(57):57cm29. https://doi.org/10.1126/scitranslmed.3001456

6. Kementerian Kesehatan RI. (2023). Strategi Transformasi Digital Kesehatan 2021–2024. Jakarta: Kemenkes RI. https://www.kemkes.go.id

7. World Health Organization. (2016). From Innovation to Implementation: eHealth in the WHO European Region. Copenhagen: WHO Regional Office for Europe. https://apps.who.int/iris/handle/10665/186955

8. Kruse CS, Stein A, Thomas H, et al. (2018). The use of electronic health records to support population health: a systematic review. Journal of Medical Systems, 42(11):214. https://doi.org/10.1007/s10916-018-1075-6

9. Shortliffe EH, Cimino JJ (eds). (2014). Biomedical Informatics: Computer Applications in Health Care and Biomedicine. 4th ed. London: Springer.

10. Kementerian Kesehatan RI. (2020). Rencana Induk Teknologi Informasi Kementerian Kesehatan 2020–2024. Jakarta: Kemenkes. https://www.kemkes.go.id

BAB 2

Telemedicine dan Pelayanan Digital

Pandemi COVID-19 membuktikan dalam hitungan minggu bahwa pelayanan obstetri jarak jauh bukan hanya mungkin — ia sangat diperlukan. Bab ini adalah panduan praktis untuk memanfaatkan telemedicine secara efektif, aman, dan legal dalam pelayanan maternal Anda.

BAB 2

TELEMEDICINE DAN PELAYANAN DIGITAL

Memperluas jangkauan layanan maternal ke seluruh pelosok Indonesia melalui teknologi

2.1 Regulasi Telemedicine di Indonesia

Pandemi COVID-19 membuktikan dalam hitungan minggu bahwa telemedicine obstetri bukan sekadar mungkin secara teknis, tetapi diperlukan untuk mempertahankan kontinuitas perawatan maternal ketika layanan tatap muka terganggu. Lonjakan penggunaan telemedicine selama pandemi memaksa percepatan regulasi yang sebelumnya berjalan lambat — dan kini Indonesia memiliki kerangka regulasi yang memungkinkan telemedicine diselenggarakan secara legal, meskipun masih dalam pengembangan berkelanjutan.

2.1.1 Permenkes No. 20 Tahun 2019 tentang Telemedicine

Permenkes No. 20 Tahun 2019 adalah regulasi telemedicine komprehensif pertama di Indonesia, yang mendefinisikan telemedicine sebagai pelayanan kesehatan jarak jauh dengan menggunakan teknologi informasi dan komunikasi, meliputi pertukaran data medis dan informasi kesehatan dalam rangka pelayanan klinis baik offline maupun online. Regulasi ini mengatur: jenis layanan telemedicine yang dapat dilakukan (konsultasi klinis, pengiriman data kesehatan, rujukan), persyaratan fasilitas yang dapat menyelenggarakan telemedicine (memiliki izin fasilitas kesehatan), persyaratan tenaga (memiliki SIP dan STR aktif), dan ketentuan tentang rekam medis telemedicine.

Keterbatasan utama Permenkes 20/2019 dalam konteks obstetri: regulasi ini berfokus pada konsultasi antar-dokter (telemedicine antara FKTP dan FKRTL) dan belum secara komprehensif mengatur model telemedicine langsung antara dokter dan pasien (direct-to-consumer telemedicine) yang justru berkembang pesat melalui platform seperti Halodoc, Alodokter, dan sejenisnya.

2.1.2 Perkembangan Regulasi Pasca-Pandemi COVID-19

Selama pandemi COVID-19, beberapa regulasi darurat dikeluarkan untuk memfasilitasi telemedicine termasuk SE HK.02.01/MENKES/303/2020 yang mengizinkan praktik telemedicine secara lebih luas. Pasca-pandemi, ada kebutuhan untuk konsolidasi regulasi yang lebih komprehensif — mengintegrasikan pelajaran dari pandemi ke dalam kerangka regulasi permanen yang mendukung telemedicine berkualitas sekaligus melindungi pasien dari risiko layanan digital yang tidak bertanggung jawab.

Isu-isu regulasi yang masih membutuhkan kejelasan dalam konteks telemedicine maternal: standar minimal pemeriksaan yang harus dilakukan secara tatap muka (tidak dapat digantikan telemedicine); pembagian tanggung jawab ketika terjadi adverse event dalam layanan telemedicine; mekanisme penggantian biaya telemedicine dalam JKN; dan standar kompetensi digital minimal yang harus dimiliki dokter yang menyelenggarakan telemedicine.

2.1.3 Standar Etik Telemedicine Obstetri-Ginekologi

Di luar aspek legal, telemedicine obstetri menghadirkan pertanyaan etis yang perlu dijawab secara eksplisit. Pertama, siapa yang paling mendapat manfaat dan siapa yang mungkin dirugikan: telemedicine dapat meningkatkan akses bagi perempuan yang jauh dari fasilitas, namun dapat memperlebar kesenjangan bagi perempuan yang tidak memiliki smartphone atau koneksi internet yang stabil. Prinsip ekuitas mengharuskan bahwa ekspansi telemedicine tidak memarginalkan lebih lanjut mereka yang sudah paling terpinggirkan.

Kedua, apa batas klinis telemedicine yang aman untuk obstetri: pemeriksaan abdomen, pengukuran tinggi fundus, auskultasi DJJ, dan evaluasi serviks pada kasus tertentu tidak dapat digantikan dengan telemedicine. Dokter harus mampu membuat penilaian kritis tentang kapan kunjungan tatap muka tidak dapat ditunda, bahkan ketika telemedicine tersedia dan pasien lebih memilihnya. Ketiga, kerahasiaan dan keamanan data: percakapan telemedicine yang membahas kondisi medis yang sensitif (kehamilan dengan HIV, kekerasan dalam rumah tangga, gangguan mental perinatal) harus berlangsung melalui platform yang benar-benar aman dan terenkripsi.

2.2 Implementasi Telemedicine dalam Obginsos

2.2.1 Teleconsultation ANC: Model dan Bukti Ilmiah

Model hybrid ANC — yang menggabungkan kunjungan tatap muka untuk pemeriksaan fisik dan ultrasonografi dengan teleconsultation untuk konseling, monitoring rutin, dan tindak lanjut hasil lab — adalah pendekatan yang semakin banyak mendapat dukungan bukti ilmiah. Studi dari berbagai negara menunjukkan bahwa model hybrid ANC menghasilkan kepuasan pasien yang lebih tinggi, tidak menurunkan kualitas keselamatan (diukur dari luaran neonatal), dan meningkatkan cakupan ANC di populasi yang sebelumnya sulit dijangkau.

a. Model Hybrid ANC: Alur Kunjungan Tatap Muka vs Virtual

Prinsip dasar pembagian kunjungan ANC dalam model hybrid: kunjungan tatap muka untuk pemeriksaan yang memerlukan kontak fisik atau penggunaan alat diagnostik yang tidak portable; teleconsultation untuk konseling, edukasi, tindak lanjut hasil laboratorium, dan monitoring kondisi yang sudah diketahui. Yang paling penting adalah bahwa pembagian ini bukan didasarkan pada kemudahan atau kenyamanan semata, melainkan pada penilaian klinis yang cermat tentang apa yang benar-benar perlu dilakukan secara tatap muka.

i. Kunjungan yang Harus Tatap Muka

Kunjungan pertama ANC (K1) wajib tatap muka untuk pemeriksaan fisik lengkap awal, penegakan diagnosis kehamilan, skrining riwayat lengkap, dan pembangunan hubungan terapeutik. Kunjungan trimester pertama juga memerlukan ultrasonografi konfirmasi usia gestasi, translucency nuchal jika diindikasikan, dan pemeriksaan serviks jika ada keluhan. Kunjungan trimester ketiga memerlukan pemeriksaan Leopold untuk konfirmasi presentasi janin dan penilaian pelvis. Setiap kunjungan di mana ada keluhan baru, perubahan kondisi, atau temuan yang tidak normal pada monitoring virtual wajib dilanjutkan dengan tatap muka.

ii. Kunjungan yang Dapat Dilakukan Virtual

Kunjungan yang dapat dilakukan secara virtual (dengan syarat ibu sudah diketahui kondisinya dari kunjungan tatap muka sebelumnya dan tidak ada keluhan baru): tindak lanjut hasil laboratorium rutin, konseling nutrisi dan edukasi tanda bahaya, tinjau ulang kepatuhan suplemen, monitoring tekanan darah pada hipertensi gestasional yang sudah distabilisasi dengan panduan ibu mengukur sendiri di rumah, konseling persiapan persalinan, dan konseling kontrasepsi pasca-persalinan.

b. Pemanfaatan Platform Digital dalam ANC: Bukti dari Indonesia

Beberapa studi pilot telemedicine ANC yang dilakukan di Indonesia menunjukkan hasil yang menjanjikan: program teleconsultation ANC di kepulauan Maluku berhasil meningkatkan cakupan K4 dari 62% menjadi 78% dalam 12 bulan; program WhatsApp-based follow-up di Jawa Barat menunjukkan peningkatan kepatuhan minum tablet besi dari 45% menjadi 72% pada kelompok yang mendapat reminder digital; dan program telekonsultasi bidan-dokter spesialis di Kalimantan Tengah berhasil meningkatkan ketepatan triase risiko kehamilan secara bermakna.

c. Teleconsultation Monitoring Tekanan Darah Jarak Jauh

Monitoring tekanan darah jarak jauh adalah salah satu aplikasi telemedicine yang paling matang secara klinis dan paling relevan untuk Indonesia, mengingat hipertensi dalam kehamilan adalah penyebab kematian maternal terbesar kedua. Protokolnya mencakup: ibu hamil berisiko dibekali tensimeter digital yang tervalidasi dan diajarkan cara penggunaan yang benar; pembacaan diinputkan melalui aplikasi atau dikirim via WhatsApp ke bidan/dokter; alert otomatis dihasilkan ketika pembacaan melebihi ambang batas (TD ≥140/90 mmHg).

i. Protokol Pemantauan Hipertensi dalam Kehamilan via Telpon

Frekuensi monitoring yang direkomendasikan: ibu dengan hipertensi gestasional tanpa proteinuria — dua kali sehari, pagi dan malam; ibu dengan pre-eklampsia yang dikelola secara konservatif — minimal tiga kali sehari dengan rentang waktu yang spesifik. Setiap pembacaan abnormal harus direspons dalam 2 jam oleh tenaga kesehatan yang bertanggung jawab — ini berarti sistem on-call yang jelas dan terstruktur, bukan hanya mengandalkan kebaikan hati dokter yang kebetulan melihat pesan.

ii. Kapan Harus Langsung Datang ke Fasilitas

Daftar tanda bahaya yang mengharuskan ibu datang ke fasilitas segera tanpa menunggu respons dokter: TD ≥160/110 mmHg dua kali pengukuran dalam 30 menit, nyeri kepala hebat yang tidak membaik dengan parasetamol, gangguan penglihatan, nyeri epigastrium berat, penurunan gerakan janin, perdarahan pervaginam apapun, kontraksi reguler sebelum 37 minggu, atau pecah ketuban. Daftar ini harus diberikan secara tertulis kepada setiap ibu hamil yang mengikuti program telemedicine.

2.2.2 Telemonitoring Janin

Telemonitoring janin — pemantauan kondisi janin dari jarak jauh menggunakan perangkat yang dapat dikenakan atau dibawa pulang ibu — adalah wilayah yang berkembang cepat dengan implikasi besar bagi akses ke perawatan janin berkualitas di daerah terpencil. Teknologi yang tersedia mencakup: cardiotocograph (CTG) portabel, Doppler ultrasound hand-held, dan sensor gerakan janin wearable.

a. Cardiotocography Portabel dan Telemonitoring

CTG portabel yang terhubung ke aplikasi smartphone dan dapat mengirimkan rekaman secara real-time ke dokter atau bidan yang terlatih adalah teknologi yang sudah tersedia secara komersial dan semakin terjangkau. Studi validasi menunjukkan akurasi rekaman yang sebanding dengan CTG konvensional untuk deteksi pola denyut jantung janin abnormal. Kuncinya adalah bahwa interpretasi tetap harus dilakukan oleh tenaga yang terlatih — CTG portabel memberikan data, bukan diagnosis.

b. Ultrasonografi Tele-guided: Konsep dan Aplikasi

Tele-guided ultrasound adalah konsep di mana tenaga di lapangan (bidan, perawat) melakukan pemeriksaan ultrasonografi dengan panduan audio-visual real-time dari dokter spesialis yang berada di tempat lain. Hasilnya dikirimkan langsung kepada dokter untuk diinterpretasikan. Konsep ini telah berhasil diimplementasikan di beberapa negara berpenghasilan rendah dan dalam situasi bencana, dan secara teoritis sangat relevan untuk menjangkau perempuan di daerah kepulauan Indonesia yang tidak memiliki akses ke dokter SpOG.

c. Wearable Technology untuk Pemantauan Maternal

Perangkat wearable untuk ibu hamil — termasuk smartwatch yang memantau detak jantung dan saturasi oksigen, patch yang memantau kontraksi uterus, dan sensor gerakan janin — berada di garis terdepan inovasi teknologi maternal. Beberapa perangkat sudah mendapat clearance FDA untuk indikasi tertentu. Namun adopsi klinis yang bertanggung jawab memerlukan: bukti validasi yang kuat, protokol respons yang jelas untuk temuan abnormal, dan pertimbangan tentang beban kognitif pada ibu yang terus-menerus dimonitor.

2.3 Aplikasi Mobile untuk Kesehatan Ibu

2.3.1 Evaluasi Aplikasi Maternal Populer di Indonesia

Lebih dari 50 aplikasi kesehatan maternal tersedia di App Store dan Play Store Indonesia — dari tracker kehamilan sederhana hingga platform konsultasi dokter terintegrasi. Namun kualitas konten medis sangat bervariasi, dan banyak aplikasi yang populer tidak memiliki landasan klinis yang kuat atau telah divalidasi dalam populasi Indonesia. Dokter yang merekomendasikan aplikasi kepada pasien bertanggung jawab untuk melakukan evaluasi terlebih dahulu.

Kerangka evaluasi aplikasi kesehatan digital yang direkomendasikan mencakup: (1) akurasi dan dasar bukti dari konten medis yang disajikan; (2) apakah konten dikembangkan atau direviu oleh tenaga medis yang kompeten; (3) kebijakan privasi dan keamanan data yang transparan; (4) apakah ada mekanisme update konten ketika panduan klinis berubah; (5) aksesibilitas dalam bahasa Indonesia dan kesesuaian dengan konteks lokal; dan (6) tidak adanya konten yang berbahaya (misalnya saran yang bertentangan dengan panduan klinis berbasis bukti).

2.3.2 Pengembangan Konten Berbasis Bukti untuk Platform Digital

Seorang subspesialis Obginsos memiliki peran unik sebagai pengembang dan kurator konten kesehatan digital yang berkualitas — sebuah peran yang semakin penting di era ketika media sosial dan aplikasi menjadi sumber informasi kesehatan utama bagi jutaan perempuan Indonesia. Konten kesehatan maternal yang baik untuk platform digital harus memenuhi standar: akurat secara medis (berbasis panduan klinis terkini), dapat dipahami oleh target audiens (bukan jargon medis), relevan secara kontekstual (mencerminkan kondisi Indonesia, bukan copy-paste dari sumber asing), dan tidak mengandung konten yang menimbulkan kecemasan berlebihan atau false reassurance.

2.3.3 Keamanan Data, Privasi, dan Regulasi Aplikasi Kesehatan

Data kesehatan yang dikumpulkan oleh aplikasi maternal — termasuk informasi tentang siklus menstruasi, kehamilan, kondisi medis, dan bahkan lokasi geografis — adalah data yang sangat sensitif. Penggunaan komersial data ini oleh perusahaan teknologi tanpa persetujuan yang benar-benar informed dari pengguna adalah isu privasi yang serius. Di Indonesia, PP No. 71 Tahun 2019 tentang PSTE dan UU No. 27 Tahun 2022 tentang Perlindungan Data Pribadi mengatur kewajiban pengelola data — termasuk aplikasi kesehatan — dalam melindungi data pengguna.

Referensi — BAB 2 — Telemedicine dalam Obstetri Ginekologi

1. Peraturan Menteri Kesehatan No. 20 Tahun 2019 tentang Penyelenggaraan Pelayanan Telemedicine Antar Fasilitas Pelayanan Kesehatan. https://peraturan.bpk.go.id/Details/131765

2. World Health Organization. (2010). Telemedicine: Opportunities and Developments in Member States. Geneva: WHO. https://apps.who.int/iris/handle/10665/44497

3. World Health Organization. (2019). Recommendations on Digital Interventions for Health System Strengthening. Geneva: WHO. https://apps.who.int/iris/handle/10665/311941

4. Smith AC, Thomas E, Snoswell CL, et al. (2020). Telehealth for global emergencies: Implications for coronavirus disease 2019 (COVID-19). Journal of Telemedicine and Telecare, 26(5):309–313. https://doi.org/10.1177/1357633X20916567

5. Nanda L, Halpern SC, Nanda S. (2020). Telehealth use in obstetrics and gynecology: a systematic review. Obstetrics & Gynecology, 135(5):1202–1211. https://doi.org/10.1097/AOG.0000000000003738

6. Kementerian Kesehatan RI. (2021). Panduan Implementasi Telemedicine di Puskesmas dan Rumah Sakit. Jakarta: Kemenkes RI. https://www.kemkes.go.id

7. Combi C, Pozzani G, Pozzi G. (2016). Telemedicine for developing countries: a survey and some design issues. Applied Clinical Informatics, 7(4):1025–1050. https://doi.org/10.4338/ACI-2016-06-R-0089

8. Lanssens D, Vandenberk T, Smeets CJ, et al. (2018). Prenatal remote monitoring of women with gestational hypertensive disorders: cost analysis. Journal of Medical Internet Research, 20(3):e102. https://doi.org/10.2196/jmir.8552

9. Free C, Phillips G, Galli L, et al. (2013). The effectiveness of mobile-health technology-based health behaviour change or disease management interventions for health care consumers: a systematic review. PLoS Medicine, 10(1):e1001362. https://doi.org/10.1371/journal.pmed.1001362

10. Kementerian Kesehatan RI. (2023). Roadmap Transformasi Digital Kesehatan. Jakarta: Kemenkes RI. https://www.kemkes.go.id

BAB 3

Kecerdasan Buatan dan Machine Learning

Kecerdasan buatan sedang mengubah kedokteran lebih cepat dari regulasi yang mengikutinya. Bab ini memberikan Anda kompas navigasi di lautan AI medis: apa yang benar-benar terbukti, apa yang masih hype, dan bagaimana menjadi adopter yang cerdas tanpa menjadi guinea pig dari teknologi yang belum matang.

BAB 3

KECERDASAN BUATAN DAN MACHINE LEARNING

Dari teori ke praktik — potensi, bukti, dan etika AI dalam obstetri-ginekologi modern

3.1 Konsep AI dalam Kedokteran

Kecerdasan buatan (Artificial Intelligence/AI) adalah cabang ilmu komputer yang bertujuan menciptakan sistem yang mampu melakukan tugas-tugas yang secara tradisional membutuhkan kecerdasan manusia — seperti pengenalan pola, pemrosesan bahasa alami, dan pengambilan keputusan. Dalam kedokteran, AI bukan sekadar otomatisasi tugas sederhana — ia berpotensi mengubah cara kita mendiagnosis, meramalkan risiko, dan merancang terapi pada tingkat yang tidak pernah dimungkinkan oleh kemampuan kognitif manusia semata.

3.1.1 Machine Learning, Deep Learning, dan Large Language Models

Tiga kategori utama AI yang paling relevan bagi dokter Obginsos: Machine Learning (ML) klasik menggunakan algoritma seperti regresi logistik, random forest, dan support vector machine untuk menemukan pola dalam data terstruktur (data tabular dari rekam medis, hasil laboratorium). Deep Learning menggunakan jaringan saraf tiruan berlapis-lapis (neural networks) yang terutama unggul dalam analisis data tidak terstruktur seperti citra medis (ultrasonografi, histopatologi), rekaman audio (CTG), dan teks. Large Language Models (LLM) seperti GPT-4 adalah model berbasis transformer yang dilatih pada data teks skala besar dan mampu memahami dan menghasilkan teks dengan cara yang tampak 'intuitif'.

a. Machine Learning Tradisional: Regression, Random Forest, SVM

Algoritma ML klasik tetap sangat relevan dalam kedokteran karena beberapa keunggulannya: interpretabilitas yang lebih tinggi (kita dapat melihat variabel mana yang paling berkontribusi pada prediksi), kebutuhan data pelatihan yang lebih rendah (lebih realistis dalam konteks data medis yang sering terbatas), dan performa yang kompetitif untuk data tabular terstruktur. Dalam konteks Obginsos, ML klasik telah berhasil diterapkan untuk: prediksi risiko pre-eklampsia (model berbasis variabel klinis trimester pertama), identifikasi ibu hamil risiko tinggi dalam sistem surveilans, dan optimasi alokasi sumber daya di sistem rujukan.

b. Deep Learning dan Convolutional Neural Networks dalam Citra Medis

Convolutional Neural Networks (CNN) adalah arsitektur deep learning yang dirancang untuk analisis citra, dan telah menunjukkan performa yang mengagumkan dalam interpretasi citra medis. Dalam obstetri-ginekologi, CNN telah berhasil diaplikasikan untuk: biometri janin otomatis dari citra ultrasonografi (pengukuran BPD, HC, AC, FL), deteksi anomali struktural janin, klasifikasi patologi kolposkopi, analisis histopatologi jaringan serviks dan endometrium, dan interpretasi CTG melalui analisis citra rekaman.

c. Large Language Models dan Potensinya dalam Kedokteran

LLM seperti GPT-4 dan model-model serupa membuka kemungkinan baru dalam kedokteran yang belum terbayangkan beberapa tahun lalu: ringkasan otomatis rekam medis yang panjang, asisten dokumentasi yang menghasilkan catatan klinis dari transkripsi percakapan dokter-pasien, sistem tanya-jawab klinis yang dapat menjawab pertanyaan kompleks berdasarkan literatur medis terkini, dan alat edukasi pasien yang mengadaptasi penjelasan ke tingkat literasi pembaca. Namun LLM juga memiliki kelemahan serius yang relevan untuk penggunaan medis: 'hallucination' (menghasilkan informasi yang terdengar meyakinkan namun salah), bias dari data pelatihan, dan ketidakmampuan untuk memverifikasi fakta secara real-time.

3.1.2 Prinsip AI yang Bertanggung Jawab dalam Kesehatan

Kerangka 'Responsible AI' yang dikembangkan oleh berbagai lembaga internasional (WHO, EU, OECD) mengidentifikasi prinsip-prinsip yang harus memandu pengembangan dan deployment AI dalam kesehatan: (1) Transparansi — bagaimana algoritma bekerja harus dapat dijelaskan kepada klinisi dan pasien; (2) Akuntabilitas — harus ada pihak yang bertanggung jawab atas keputusan yang dibuat dengan bantuan AI; (3) Non-diskriminasi — sistem AI tidak boleh menghasilkan keputusan yang secara sistematis merugikan kelompok tertentu; (4) Privasi — data yang digunakan untuk melatih dan menjalankan AI harus dilindungi; (5) Keamanan — sistem AI harus diuji secara ketat sebelum deployment klinis; (6) Benefit for humans — AI harus dirancang untuk menguntungkan pasien, bukan hanya untuk efisiensi institusional atau keuntungan komersial.

3.2 Aplikasi AI dalam Obstetri

3.2.1 AI untuk Prediksi dan Skrining Pre-eklamsia

Pre-eklampsia adalah komplikasi obstetri yang paling banyak menjadi target pengembangan AI — karena ia merupakan penyebab kematian maternal yang besar, dapat diprediksi secara ilmiah, dan memiliki intervensi pencegahan yang efektif (aspirin dosis rendah) jika risiko diidentifikasi cukup dini. Model skrining kombinasi trimester pertama yang dikembangkan oleh Nicolaides dan kolega di FMF London — yang mengintegrasikan karakteristik maternal, tekanan arteri rerata, Doppler arteri uterina, dan biomarker (PAPP-A, PlGF) — menggunakan algoritma Bayesian yang dapat dianggap sebagai bentuk awal 'clinical AI'.

Generasi berikutnya dari model prediksi pre-eklampsia menggunakan ML dan deep learning untuk menganalisis data yang jauh lebih kompleks: rekam medis elektronik longitudinal, data wearable (variabilitas detak jantung, pola tidur), biomarker proteomik dan metabolomik, dan bahkan data dari kamera smartphone untuk analisis warna kulit sebagai proxy anemia. Beberapa model ini menunjukkan peningkatan AUC yang bermakna dibandingkan model berbasis biomarker konvensional dalam studi kohort, namun validasi prospektif dalam setting klinis nyata masih sangat terbatas.

3.2.2 Interpretasi CTG Berbasis AI

Interpretasi Cardiotocography (CTG) adalah salah satu tugas klinis paling menantang dalam obstetri — subjektif, memerlukan perhatian terus-menerus selama berjam-jam, dan dengan tingkat kesalahan yang tidak dapat diabaikan bahkan di antara praktisi berpengalaman. Studi telah menunjukkan bahwa inter-observer variability dalam interpretasi CTG antara dokter obstetri adalah substansial, terutama dalam kondisi CTG yang 'meragukan' (suspicious/pathological).

a. Evidence Base: Studi Klinis Utama CTG AI

Beberapa sistem AI untuk interpretasi CTG telah dikembangkan dan dievaluasi secara klinis: INFANT (Intelligent Fetal Assessment) system yang dievaluasi dalam uji klinis acak besar di Inggris dan Irlandia menunjukkan tidak ada perbedaan bermakna dalam luaran neonatal dibandingkan CTG konvensional — mengindikasikan keamanan sistem namun tidak menunjukkan superioritas yang diharapkan. Interpretasi hasil ini tetap diperdebatkan: apakah AI tidak cukup baik, atau apakah intervensi dokter berdasarkan CTG konvensional sudah terlalu banyak (over-intervention)?

b. Validasi pada Populasi Asia Tenggara

Hampir semua sistem AI CTG yang ada dikembangkan dan divalidasi pada data dari populasi Eropa atau Amerika Utara. Variasi fisiologis dalam pola CTG normal — yang dipengaruhi oleh usia gestasi, ethnisitas, obat-obatan yang digunakan, dan kondisi komorbid — berarti bahwa model yang terlatih pada populasi Barat mungkin tidak bekerja dengan optimal pada populasi Asia Tenggara. Ini adalah gap penelitian yang penting dan relevan untuk dikerjakan oleh peneliti Obginsos Indonesia.

c. Kerangka Penggunaan AI sebagai 'Second Opinion'

Posisi yang paling defensible secara etis dan klinis untuk AI dalam interpretasi CTG saat ini adalah sebagai 'second opinion' atau alat bantu yang memperkuat penilaian klinisi, bukan menggantikannya. Dalam kerangka ini: klinisi melakukan interpretasi CTG berdasarkan pengetahuan dan pengalamannya; sistem AI memberikan interpretasi independen; jika keduanya konsisten, klinisi melanjutkan rencana klinis dengan tingkat keyakinan yang lebih tinggi; jika ada ketidaksesuaian, klinisi melakukan evaluasi lebih lanjut. Pendekatan ini mempertahankan tanggung jawab klinis pada manusia sekaligus memanfaatkan konsistensi algoritmik sebagai pengaman.

3.2.3 AI untuk Prediksi Risiko Persalinan Prematur

Persalinan prematur adalah tantangan klinis yang besar karena tidak semua 'ancaman persalinan prematur' berkembang menjadi persalinan prematur yang sesungguhnya — dan intervensi untuk mencegah persalinan prematur (tokolitik, kortikosteroid, serklase) memiliki risiko sendiri. Model prediksi berbasis AI yang mengintegrasikan panjang serviks ultrasonografi, biomarker (fibronektin janin, IGFBP-1), karakteristik klinis, dan data sosiodemografi menunjukkan area under curve (AUC) 0,75–0,85 dalam studi retrospektif — cukup baik sebagai alat triase, namun belum cukup untuk menggantikan penilaian klinis komprehensif.

3.2.4 AI dalam Ultrasonografi Obstetri

Ultrasonografi adalah prosedur dengan beban kerja yang sangat tinggi dalam obstetri dan dengan variabilitas kualitas pemeriksaan yang besar — bergantung pada keahlian operator, kualitas mesin, dan kooperasi pasien. AI untuk analisis ultrasonografi obstetri menjanjikan standarisasi kualitas: sistem yang secara otomatis mengidentifikasi bidang pemeriksaan yang tepat, melakukan pengukuran biometri janin secara otomatis, mendeteksi anomali struktural dari citra yang diambil bahkan oleh non-spesialis, dan menghasilkan laporan pemeriksaan yang terstandar.

Validasi klinis dari beberapa sistem AI ultrasonografi obstetri menunjukkan kesesuaian yang baik dengan pengukuran manual oleh sonografer berpengalaman untuk biometri dasar (BPD, HC, AC, FL). Deteksi anomali struktural janin menggunakan AI menunjukkan sensitivitas yang menjanjikan untuk beberapa anomali spesifik (anensefali, gastroschisis, spina bifida), namun masih jauh dari kemampuan fetal medicine specialist untuk anomali yang lebih halus. Paling realistis dalam jangka menengah adalah penggunaan AI untuk quality assurance pemeriksaan (memastikan semua bidang yang diperlukan sudah diambil) dan pengukuran biometri otomatis.

3.3 Aplikasi AI dalam Ginekologi Onkologi

3.3.1 Klasifikasi Kolposkopi Berbasis AI

Kolposkopi adalah prosedur dengan variabilitas inter-observer yang tinggi — studi menunjukkan kesesuaian yang hanya moderat antara kolposkopis berpengalaman dalam mengklasifikasikan temuan. AI berbasis analisis citra kolposkopi berpotensi menstandarisasi klasifikasi dan meningkatkan deteksi lesi yang bermakna. Sistem AI yang sudah ada menggunakan CNN untuk mengklasifikasikan citra kolposkopi ke dalam kategori Normal, LSIL, HSIL, dan curiga kanker, dengan akurasi yang sebanding dengan kolposkopis berpengalaman dalam studi retrorsepektif.

Namun, seperti dalam semua aplikasi AI diagnostik, performa dalam kondisi terkontrol (studi menggunakan citra yang dipilih dan berlabelkan oleh ahli) sering lebih baik dari performa dalam kondisi klinis nyata (citra dengan kualitas bervariasi, kondisi pencahayaan yang tidak ideal, variasi dalam teknik operator). Uji klinis prospektif yang mengevaluasi sistem AI kolposkopi dalam kondisi klinis nyata di populasi yang beragam masih sangat dibutuhkan.

3.3.2 Patologi Digital untuk Kanker Ginekologi

Patologi digital — digitalisasi preparat histopatologi menjadi 'whole slide images' yang dapat dianalisis oleh AI — adalah salah satu aplikasi AI medis dengan bukti paling maju. Sistem AI untuk analisis histopatologi kanker serviks dan endometrium telah menunjukkan kesesuaian dengan ahli patologi dalam grading dan klasifikasi, bahkan dalam beberapa studi menunjukkan kemampuan untuk mengidentifikasi biomarker prognostik dari citra HE standar yang tidak dapat diidentifikasi secara kasat mata oleh manusia.

Untuk Indonesia, patologi digital juga membuka kemungkinan demokratisasi akses ke opini patologi expert: slide yang dipindai di RS kabupaten dapat dikirimkan untuk analisis AI dan direview oleh patolog spesialis di kota besar tanpa perpindahan fisik preparat — sebuah solusi potensial untuk keterbatasan distribusi spesialis patologi yang merata.

3.3.3 AI dalam Perencanaan Radioterapi Ginekologi

Radioterapi adalah komponen penting dalam penanganan kanker serviks, endometrium, dan vagina — namun perencanaan radioterapi yang optimal membutuhkan konturing (penggambaran batas) tumor dan organ berisiko yang akurat pada citra MRI atau CT, sebuah tugas yang memakan waktu dan bergantung pada keahlian ahli onkologi radiasi. Sistem AI untuk auto-contouring yang menggunakan deep learning telah menunjukkan kemampuan untuk menghasilkan konturing yang sebanding dengan yang dilakukan manual oleh spesialis, dalam waktu yang jauh lebih singkat, dan dengan konsistensi yang lebih tinggi.

3.4 Tantangan Etika dan Regulasi AI Medis

3.4.1 Bias Algoritma dan Representasi Populasi Indonesia

Bias dalam sistem AI medis bukan sekadar isu teknis — ia adalah masalah keadilan yang dapat merugikan kelompok yang sudah paling rentan. Bias dapat masuk ke dalam sistem AI melalui beberapa jalur: data pelatihan yang tidak representatif (jika data terutama berasal dari populasi tertentu, model akan kurang akurat untuk populasi yang tidak terwakili), label yang bias (jika standar diagnostik yang digunakan untuk melabeli data mencerminkan bias yang sudah ada dalam praktek klinis), dan desain fitur yang tidak memperhitungkan perbedaan antar-populasi.

Dalam konteks kesehatan maternal di Indonesia, risiko bias algoritmik sangat nyata: model prediksi pre-eklampsia yang dikembangkan menggunakan data dari Eropa mungkin memiliki nilai cut-off biomarker yang tidak sesuai untuk perempuan Indonesia yang memiliki karakteristik indeks massa tubuh, pola diet, dan distribusi genotipe HPV yang berbeda. Menggunakan model semacam ini tanpa validasi lokal yang ketat berpotensi menghasilkan over- atau under-diagnosis sistematis yang justru merugikan pasien yang paling rentan.

3.4.2 Regulasi Alat Kesehatan Berbasis AI di Indonesia

Di Indonesia, regulasi alat kesehatan — termasuk software medis yang menggunakan AI — berada di bawah kewenangan Kementerian Kesehatan dan Badan Pengawas Obat dan Makanan (BPOM). Sistem AI yang digunakan untuk tujuan diagnostik atau terapeutik diklasifikasikan sebagai alat kesehatan dan harus memenuhi persyaratan izin edar yang mencakup: bukti keamanan dan efektivitas (studi klinis), standar teknis (IEC 62304 untuk software medis), dan sistem post-market surveillance.

Gap regulasi yang masih ada: belum ada panduan spesifik tentang persyaratan validasi untuk AI medis yang 'continuously learning' (yang modelnya terus diperbarui berdasarkan data baru), belum ada standar yang jelas tentang transparansi algoritmik (seberapa detail cara kerja algoritma harus dijelaskan), dan belum ada kerangka yang mengatur tanggung jawab hukum ketika terjadi kerugian pasien akibat rekomendasi AI yang salah.

3.4.3 Tanggung Jawab Hukum Klinisi dalam Penggunaan AI

Pertanyaan hukum yang paling mendesak dalam AI medis: ketika seorang dokter mengikuti rekomendasi sistem AI yang ternyata salah dan mengakibatkan kerugian pasien, siapa yang bertanggung jawab? Dokter, pengembang AI, atau RS yang mengadopsi sistem tersebut? Dalam kerangka hukum Indonesia yang ada, tanggung jawab klinis tetap berada pada dokter — yang berarti dokter tidak dapat berargumen 'AI yang merekomendasikan' sebagai pembelaan terhadap tuntutan kelalaian medis.

Implikasinya bagi praktik: dokter harus memahami keterbatasan setiap sistem AI yang ia gunakan, harus mampu mengevaluasi secara kritis rekomendasi AI dalam konteks klinis spesifik pasiennya, dan harus selalu mempertahankan penilaian klinis independen sebagai garis pertahanan terakhir. AI yang baik harus membuat dokter lebih cerdas, bukan lebih malas.

BAGIAN VI

PROGRAM KESEHATAN DAN PENELITIAN

Menghasilkan bukti dan menggerakkan perubahan di tingkat populasi

Referensi — BAB 3 — Kecerdasan Buatan dan Inovasi Digital dalam Obginsos

1. Topol EJ. (2019). High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine, 25(1):44–56. https://doi.org/10.1038/s41591-018-0300-7

2. World Health Organization. (2021). Ethics and Governance of Artificial Intelligence for Health: WHO Guidance. Geneva: WHO. https://www.who.int/publications/i/item/9789240029200

3. Ngiam KY, Khor IW. (2019). Big data and machine learning algorithms for health-care delivery. Lancet Oncology, 20(5):e262–e273. https://doi.org/10.1016/S1470-2045(19)30149-4

4. Obermeyer Z, Emanuel EJ. (2016). Predicting the future — big data, machine learning, and clinical medicine. NEJM, 375(13):1216–1219. https://doi.org/10.1056/NEJMp1606181

5. Char DS, Shah NH, Magnus D. (2018). Implementing machine learning in health care — addressing ethical challenges. NEJM, 378(11):981–983. https://doi.org/10.1056/NEJMp1714229

6. Rajpurkar P, Irvin J, Ball RL, et al. (2018). Deep learning for chest radiograph diagnosis. PLoS Medicine, 15(11):e1002686. https://doi.org/10.1371/journal.pmed.1002686

7. Peraturan Pemerintah No. 71 Tahun 2019 tentang PSTE. Jakarta: Sekretariat Negara RI. https://peraturan.bpk.go.id/Details/131827

8. Joyce DW, Kormilitzin A, Smith KA, et al. (2023). Explainable artificial intelligence for mental health through transparency and interpretability. NPJ Digital Medicine, 6(1):6. https://doi.org/10.1038/s41746-023-00751-9

9. Kementerian Kesehatan RI. (2023). Kebijakan Pemanfaatan Kecerdasan Buatan di Bidang Kesehatan. Jakarta: Kemenkes RI. https://www.kemkes.go.id

10. Bellazzi R, Zupan B. (2008). Predictive data mining in clinical medicine: current issues and guidelines. International Journal of Medical Informatics, 77(2):81–97. https://doi.org/10.1016/j.ijmedinf.2006.11.006