Universitas Gadjah Mada di Yogyakarta menguji platform AI untuk membantu diagnosa penyakit langka

En bref

• Universitas Gadjah Mada di Yogyakarta menguji platform AI untuk mempercepat diagnosa, termasuk kasus penyakit langka yang sering terlambat dikenali.
• Uji coba dipayungi ekosistem riset lintas disiplin yang diperkuat oleh UGM AI Center of Excellence untuk menjembatani kebutuhan medis dan inovasi teknologi.
• Pengalaman UGM dalam pengembangan AI untuk skrining TBC—misalnya pendekatan computer-aided detection (CAD) pada rontgen dada—menjadi fondasi metodologi dan tata kelola data.
• Targetnya bukan sekadar akurasi, tetapi juga pemerataan akses kesehatan bagi kelompok rentan dan wilayah minim spesialis.
• Kolaborasi dengan mitra nasional dan internasional, serta advokasi komunitas, dipakai untuk memastikan solusi bisa dipakai di lapangan.

Di ruang-ruang praktik klinis, masalah terbesar sering kali bukan ketiadaan obat, melainkan keterlambatan mengenali gejalanya. Di titik inilah Universitas Gadjah Mada di Yogyakarta menempatkan eksperimen terbarunya: menguji platform AI yang dirancang membantu diagnosa—terutama untuk penyakit langka yang kerap “bersembunyi” di balik keluhan umum. Bagi dokter umum, gejala yang mirip flu berulang, nyeri otot tak khas, atau anemia yang tak kunjung jelas bisa berarti ratusan kemungkinan. Sementara bagi pasien, setiap minggu penundaan berarti biaya, kecemasan, dan risiko komplikasi.

Uji coba ini tidak berdiri sendiri. Ia tumbuh dari tradisi panjang UGM dalam penelitian lintas bidang dan upaya membangun kemandirian teknologi kesehatan—termasuk pengalaman mengembangkan AI untuk mendukung skrining TBC melalui analisis rontgen dada. Dengan pendekatan yang menempatkan klinisi, ilmuwan data, dan komunitas sebagai satu tim, platform tersebut diproyeksikan menjadi “asisten” yang menyaring informasi, menandai pola tersembunyi, dan memberi rekomendasi pemeriksaan lanjutan yang masuk akal. Pertanyaannya: bisakah kecerdasan buatan membuat sistem kesehatan lebih cepat, lebih adil, dan tetap aman?

Uji Platform AI UGM di Yogyakarta untuk Diagnosa Penyakit Langka: Dari Klinik ke Laboratorium Data

Uji platform AI di Universitas Gadjah Mada berangkat dari situasi yang sangat nyata: banyak pasien berputar dari satu fasilitas ke fasilitas lain karena gejalanya tidak langsung mengarah ke satu diagnosis. Dalam kasus penyakit langka, “waktu menuju diagnosis” sering menjadi drama panjang. Platform yang diuji UGM dirancang untuk mengubah pengalaman itu menjadi proses yang lebih terstruktur, tanpa mengambil alih keputusan klinis.

Dalam skenario uji coba, data pasien (misalnya ringkasan keluhan, riwayat penyakit, hasil lab, citra medis tertentu, dan obat yang pernah dicoba) diproses untuk menghasilkan “peta kemungkinan” diagnosis diferensial. Hasilnya bukan vonis tunggal, melainkan daftar terurut yang disertai alasan: pola gejala yang cocok, pemeriksaan apa yang paling relevan, dan tanda bahaya yang perlu ditindak cepat. Bagi dokter layanan primer, keluaran seperti ini bisa menjadi pemicu untuk bertanya lebih tepat, bukan sekadar menambah resep.

Alur kerja yang meniru cara klinisi berpikir

Platform diuji dengan meniru cara dokter menyusun hipotesis: mulai dari keluhan utama, mencari red flag, lalu menimbang diagnosis umum sebelum melompat ke yang jarang. Misalnya, seorang pasien muda datang dengan sesak saat aktivitas, bibir kebiruan sesekali, dan riwayat pingsan. Platform akan menandai kemungkinan gangguan jantung bawaan atau kelainan vaskular tertentu, sekaligus menyarankan pemeriksaan penunjang yang prioritas. Dengan begitu, diagnosa tidak melompat-lompat, tetapi bergerak bertahap.

Peneliti UGM juga menguji bagaimana platform menangani data yang tidak lengkap—situasi khas di puskesmas atau klinik kecil. Sistem dirancang untuk tetap berguna dengan “minimal data”, misalnya hanya berdasarkan gejala dan dua hasil lab dasar, lalu memberi rekomendasi pemeriksaan paling berdampak. Di sini, AI bukan hanya soal kecanggihan, tetapi soal empati pada kondisi layanan.

Ekosistem riset UGM sebagai pengungkit

Pengujian ini dibantu oleh keberadaan UGM AI Center of Excellence yang berperan sebagai hub strategis untuk riset, inovasi, dan penerapan kecerdasan buatan di kampus. Model kolaboratif—melibatkan bidang komputer, kedokteran, kesehatan masyarakat, hingga etika—memungkinkan pengembangan yang tidak terjebak pada “demo teknologi”, tetapi benar-benar menjawab kebutuhan medis.

Di tingkat nasional, diskusi publik tentang AI untuk citra radiologi juga semakin ramai. Salah satu konteks yang relevan bisa dibaca melalui laporan mengenai AI radiologi di Makassar, yang menggambarkan bagaimana fasilitas layanan mulai mempertimbangkan sistem pendukung pembacaan citra. Ini menjadi pengingat bahwa uji platform di Yogyakarta harus kompatibel dengan realitas infrastruktur yang beragam.

Dalam praktiknya, uji platform bukan sekadar mengukur akurasi, melainkan apakah sistem membantu dokter membuat keputusan lebih cepat, lebih konsisten, dan lebih dapat dipertanggungjawabkan—sebab tujuan akhirnya adalah keselamatan pasien, bukan sekadar skor model.

Pemanfaatan Kecerdasan Buatan dalam Diagnosis Medis: Pelajaran dari Skrining TBC dan Relevansinya untuk Penyakit Langka

Jika ada satu bidang yang menunjukkan manfaat AI secara konkret di Indonesia, itu adalah skrining dan deteksi penyakit menular seperti TBC. UGM memiliki pengalaman menonjol melalui pengembangan pendekatan computer-aided detection (CAD) untuk membantu tenaga kesehatan membaca rontgen dada lebih cepat. Meskipun TBC bukan penyakit langka, pelajaran dari proyek semacam itu sangat relevan untuk platform yang kini diuji: bagaimana mengelola data, meminimalkan bias, dan memastikan hasil bisa dipakai di lapangan.

Estimasi beban TBC di Indonesia pernah disebut sangat tinggi, dengan angka kasus mendekati 1,06 juta dan cakupan diagnosis sekitar 81%. Dalam konteks saat ini, angka dan persentase tersebut tetap dipakai sebagai rujukan kebijakan untuk mengejar target deteksi yang makin mendekati menyeluruh. AI dipandang sebagai akselerator untuk menutup celah—bukan karena dokter kurang mampu, melainkan karena skala masalah dan keterbatasan jumlah tenaga spesialis, terutama radiolog.

Dari CAD rontgen ke platform multimodal

CAD pada rontgen relatif “terbatas” pada satu jenis data: citra. Sementara uji platform AI untuk diagnosa penyakit langka menuntut data yang lebih beragam: keluhan, lab, genetika (bila ada), obat, dan catatan klinis. Namun prinsip dasarnya sama: sistem harus memberi sinyal yang bisa ditindaklanjuti. Pada skrining TBC, sinyalnya bisa berupa area paru yang dicurigai. Pada penyakit langka, sinyalnya bisa berupa kombinasi halus—misalnya anemia hemolitik dengan pola tertentu plus riwayat keluarga.

UGM juga menekankan bahwa tujuan AI bukan sekadar meningkatkan akurasi, melainkan memperluas akses. Di daerah yang kekurangan dokter spesialis, sistem pendukung dapat membantu tenaga kesehatan membuat keputusan rujukan. Dalam konteks penyakit langka, rujukan yang tepat—ke penyakit dalam, neurologi, atau genetika—sering menjadi pembeda antara diagnosis cepat dan bertahun-tahun kebingungan.

Kelompok rentan, akses, dan bias data

Pengalaman riset TBC di UGM menyoroti hambatan akses pada kelompok rentan: perempuan, anak-anak, penyandang disabilitas, serta masyarakat di wilayah terpencil. Faktor sosial seperti budaya patriarki dapat menghambat perempuan mengakses layanan; disabilitas menghadirkan kendala fisik dan sosial. Jika data yang masuk ke model terlalu didominasi kelompok tertentu, keluaran AI bisa bias dan makin memperlebar ketimpangan.

Karena itu, saat menguji platform untuk kesehatan, penting menempatkan “kualitas dan representasi data” sebagai agenda utama. Bukan hanya mengumpulkan banyak data, tetapi memastikan data mewakili variasi populasi Indonesia. Diskusi tentang kedaulatan data juga menguat seiring pembangunan pusat data dan infrastruktur AI. Perspektif tersebut bisa diperkaya lewat artikel tentang pusat data Batam dan ekosistem AI, yang membantu memahami mengapa lokasi penyimpanan, tata kelola, dan keamanan menjadi isu krusial.

Pada akhirnya, pelajaran terbesar dari skrining TBC adalah ini: AI yang berguna adalah AI yang menyatu dengan alur kerja layanan, memahami keterbatasan lapangan, dan tetap memuliakan keputusan klinis manusia sebagai pusatnya.

Riset Lintas Disiplin di Universitas Gadjah Mada: Desain Platform AI yang Aman, Terukur, dan Bisa Diaudit

Dalam pengembangan platform AI untuk diagnosa, tantangan terbesar sering bukan membangun model, melainkan memastikan sistem aman, terukur, dan dapat diaudit. Di Universitas Gadjah Mada, pendekatan lintas disiplin yang difasilitasi oleh pusat unggulan AI membantu menyeimbangkan ambisi inovasi dengan realitas regulasi dan etika medis. Uji platform di Yogyakarta menjadi semacam “laboratorium hidup” untuk menguji hal-hal yang sering luput dari sorotan: kualitas data, jejak keputusan, dan integrasi dengan layanan.

Auditabilitas: dari “hasil” ke “alasan”

Salah satu fokus desain adalah kemampuan sistem menjelaskan alasan rekomendasi. Dalam kasus penyakit langka, dokter membutuhkan pembenaran yang bisa diperiksa: gejala mana yang paling berpengaruh, pemeriksaan apa yang menjadi pembeda, dan apa risiko jika diagnosis tertentu terlewat. Dengan auditabilitas, platform dapat dipakai sebagai alat diskusi klinis, bukan sekadar “kotak hitam”.

Contoh sederhana: platform menempatkan gangguan metabolik tertentu di tiga besar kemungkinan. Sistem kemudian menunjukkan bahwa kombinasi kelelahan kronis, peningkatan enzim hati, dan riwayat keluarga menjadi pemicu. Dokter dapat menilai apakah logika itu relevan, lalu memutuskan tes lanjutan. Jika ternyata tidak sesuai, umpan balik ini dapat dipakai untuk perbaikan model.

Keamanan data dan tata kelola akses

Karena menyangkut data sensitif, desain uji menekankan pembatasan akses berbasis peran dan pencatatan aktivitas (log). Tim juga menguji skenario ketika data diproses terdistribusi: sebagian di server kampus, sebagian di fasilitas kesehatan mitra, dengan protokol pertukaran yang aman. Aspek ini penting karena layanan kesehatan di Indonesia sangat beragam dari sisi infrastruktur.

Di sini, prinsipnya jelas: semakin kuat sistem, semakin besar tanggung jawabnya. Platform yang membantu diagnosa harus dibangun dengan standar pengamanan dan kepatuhan yang setara dengan rekam medis elektronik, sebab dampak kebocoran atau manipulasi bisa langsung memengaruhi keputusan klinis.

Komponen teknis yang diuji (dan mengapa)

Untuk membuat pembahasan lebih konkret, berikut komponen yang lazim diuji dalam sebuah platform pendukung diagnosis berbasis kecerdasan buatan dan alasan mengapa komponen itu penting di lapangan:

• Modul triase gejala: menyaring keluhan dan memberi sinyal “butuh rujukan cepat” agar kasus gawat tidak tertahan.
• Normalisasi istilah klinis: menyatukan variasi penulisan dokter (misalnya singkatan) agar data bisa dianalisis konsisten.
• Rekomendasi pemeriksaan: menyusun urutan tes paling efisien biaya dan waktu, bukan daftar panjang yang membebani pasien.
• Pelacakan alasan (reasoning trace): menampilkan indikator kontribusi fitur agar hasil dapat diaudit.
• Mode pembelajaran dari umpan balik: memungkinkan perbaikan bertahap dari koreksi klinisi tanpa mengubah keseluruhan sistem secara liar.

Jika semua komponen ini berjalan selaras, platform tidak hanya “pintar”, tetapi juga bisa dipercaya. Insight akhirnya: kepercayaan klinis dibangun bukan dari klaim, melainkan dari proses yang transparan dan dapat diuji.

Kolaborasi Nasional-Internasional dan Advokasi Komunitas: Membawa Teknologi Diagnostik ke Wilayah yang Sering Terlewat

Uji platform AI di UGM juga dipengaruhi budaya kolaborasi yang sudah terbentuk dalam proyek-proyek sebelumnya. Dalam pengembangan AI untuk deteksi dini TBC, tim UGM menggandeng mitra seperti University of Melbourne, Monash University Indonesia, Universitas Sebelas Maret, serta organisasi advokasi—termasuk Yayasan Pengembangan Kesehatan dan Masyarakat Papua (YPKMP) dan Sentra Advokasi Perempuan, Difabel dan Anak (SAPDA). Dukungan program KONEKSI yang diprakarsai DFAT Australia menjadi contoh bagaimana pendanaan dan jejaring dapat mempercepat riset yang berorientasi dampak.

Pola kolaborasi ini relevan bagi misi diagnosa penyakit langka karena dua alasan. Pertama, kasusnya tersebar dan datanya jarang; tanpa jaringan lintas institusi, dataset sulit terkumpul. Kedua, penyakit langka sering menuntut keahlian spesifik, sehingga perlu mekanisme rujukan dan telekonsultasi yang dapat dijembatani oleh platform.

Studi kasus hipotetis: “Sari” dari Kulon Progo

Bayangkan Sari, 28 tahun, tinggal di pinggiran Kabupaten Kulon Progo. Ia mengalami kesemutan, mudah lelah, dan nyeri sendi hilang-timbul. Selama berbulan-bulan, ia dianggap mengalami kekurangan vitamin atau stres kerja. Saat platform diuji, dokter puskesmas memasukkan data gejala, hasil darah dasar, dan riwayat keluarga yang ternyata memiliki anggota keluarga dengan masalah saraf. Platform menandai kemungkinan gangguan autoimun atau kelainan herediter tertentu, lalu menyarankan rujukan ke fasilitas yang memiliki pemeriksaan lanjutan.

Yang menarik bukan “ketepatan” semata, melainkan perubahan perilaku layanan: dokter menjadi lebih percaya diri mengirim rujukan dengan alasan yang jelas, dan pasien merasa keluhannya direspons sistematis. Dalam desain kolaboratif, kasus seperti ini kemudian dibahas bersama spesialis dan peneliti untuk memvalidasi alur kerja.

Memperluas akses dengan pendekatan inklusif

Pengalaman tim UGM menyoroti bahwa kendala akses sering bersifat sosial, bukan hanya teknis. Untuk perempuan di beberapa daerah, keputusan berobat bisa terhambat oleh norma rumah tangga. Bagi penyandang disabilitas, hambatan fisik dan stigma dapat membuat pemeriksaan tertunda. Karena itu, pengujian platform juga perlu memikirkan “pengalaman pengguna”: apakah antarmuka memudahkan, apakah bahasa yang dipakai tidak menghakimi, dan apakah rekomendasi mempertimbangkan konteks lokal.

Kolaborasi dengan organisasi advokasi membuat pengembangan tidak terputus dari realitas komunitas. Mereka membantu menguji cara penyampaian informasi, alur persetujuan penggunaan data, hingga skema pendampingan pasien. Insight akhirnya: teknologi paling berguna adalah yang dibangun bersama orang yang paling terdampak olehnya.

Evaluasi Lapangan Platform AI untuk Diagnosa: Indikator Kinerja, Dampak Kesehatan, dan Peta Jalan Implementasi

Dalam pengujian platform AI untuk diagnosa, indikator keberhasilan tidak boleh berhenti pada “akurasi model”. Terlebih pada penyakit langka, data pembanding sering terbatas dan variasinya tinggi. Karena itu, UGM menekankan evaluasi yang berlapis: kinerja teknis, dampak klinis, dan kelayakan implementasi. Tujuannya sederhana: memastikan platform benar-benar memperbaiki layanan kesehatan tanpa menambah beban kerja tenaga medis.

Metrik yang dinilai: dari waktu hingga kualitas rujukan

Evaluasi lapangan biasanya mengukur waktu menuju keputusan klinis, kualitas rujukan, konsistensi pencatatan, serta kepuasan pengguna (dokter dan pasien). Jika platform membuat dokter lebih cepat menyusun diagnosis diferensial dan memilih pemeriksaan prioritas, dampaknya bisa langsung terasa pada biaya dan stres pasien. Pada saat yang sama, sistem harus meminimalkan alarm palsu agar tidak menciptakan “banjir rujukan” ke rumah sakit rujukan.

Pengalaman dari program active case finding (ACF) TBC yang pernah diterapkan di puluhan kabupaten/kota dan mampu menaikkan deteksi beberapa persen menjadi pelajaran penting: ketika strategi skrining diperluas, sistem rujukan harus siap. Platform AI yang baik membantu menyeimbangkan: meningkatkan temuan kasus yang terlewat, namun tetap menjaga kapasitas layanan.

Tabel peta evaluasi: apa yang diuji dan bagaimana dibaca

Peta jalan implementasi: dari kampus ke sistem kesehatan

Setelah uji internal, tahap berikutnya biasanya mencakup pilot terbatas di fasilitas mitra, lalu perluasan bertahap. Di setiap tahap, peneliti mengumpulkan umpan balik untuk memperbaiki desain. Jika platform dinilai membantu, integrasi dengan sistem rekam medis dan prosedur rujukan menjadi kunci agar manfaatnya tidak terisolasi di satu aplikasi saja.

Untuk memperkaya perspektif, diskursus nasional tentang kesiapan infrastruktur AI—mulai dari pusat data hingga tata kelola—menjadi latar penting yang menentukan seberapa cepat inovasi kampus bisa diadopsi luas. Pada akhirnya, tolok ukur terbaik adalah perubahan nyata: pasien lebih cepat mendapatkan jawaban, dokter lebih terbantu, dan sistem medis lebih tangguh menghadapi kasus-kasus yang selama ini sulit diterjemahkan.