Machine Learning untuk Riset Klinis, Dokter Anestesi Soroti Validasi Model AI di Rumah Sakit
Reporter: Vidyaningrum, AN
JAKARTA, 19/10/2026 Folksnews – Machine learning membuka peluang pengembangan model prediksi untuk penelitian klinis di Indonesia. Teknologi ini memanfaatkan data untuk mengenali pola dan memperkirakan suatu kejadian. Namun, model AI perlu melalui pengujian sebelum digunakan di rumah sakit. Salah satu tahap penting ialah validasi eksternal dan penelitian multisenter.
Hal tersebut disampaikan dr. I Made Agus Kresna Sucandra, Sp.An-TI, Subsp.T.L. K, dalam webinar From Data to Prediction: How AI & Machine Learning Can Transform Clinical Research. Acara tersebut diselenggarakan Perhimpunan Dokter Spesialis Anestesiologi dan Terapi Intensif Indonesia (PERDATIN).
“Secara natural ada perbedaan antara statistik dengan machine learning,” jelas Sucandra.
Statistik dan machine learning memiliki pendekatan yang berbeda. Statistik umumnya digunakan untuk menganalisis hubungan antarvariabel dan menguji hipotesis. Sementara itu, machine learning mempelajari pola dari data untuk menghasilkan prediksi.
Validasi Eksternal dan Multisenter Jadi Tantangan
Model machine learning dapat membantu dokter mengenali faktor risiko dan memperkirakan kondisi pasien. Selain itu, teknologi ini dapat mendukung pengambilan keputusan klinis.
Namun, model yang bekerja baik pada data awal belum tentu memberikan hasil serupa pada pasien lain. Oleh karena itu, peneliti perlu menguji model menggunakan data dari fasilitas kesehatan yang berbeda.
“Untuk di rumah sakit membutuhkan validasi eksternal dan multicenter,” papar Sucandra.
Validasi eksternal berarti menguji model menggunakan data di luar data pengembangannya. Adapun penelitian multisenter melibatkan beberapa fasilitas kesehatan. Dengan cara ini, peneliti dapat menilai kinerja model pada kelompok pasien yang beragam.
Setiap rumah sakit memiliki karakteristik pasien dan pola penyakit yang berbeda. Selain itu, kelengkapan rekam medis dan praktik klinis juga dapat bervariasi. Perbedaan tersebut bisa memengaruhi hasil prediksi.
Karena itu, peneliti perlu memeriksa ketepatan prediksi, potensi bias, dan manfaat model bagi pasien. Pengujian ini membantu memastikan model sesuai dengan kebutuhan pelayanan kesehatan.
Data Kesehatan Membuka Peluang Pengembangan AI
Sucandra juga menyoroti peluang pemanfaatan data kesehatan di Indonesia. Data tersebut dapat digunakan untuk mengembangkan AI yang sesuai dengan kebutuhan dokter, termasuk dokter anestesi.
Menurut dia, data kesehatan memiliki jumlah besar dan karakteristik yang beragam. Karena itu, peneliti tidak harus menggunakan seluruh data yang tersedia. Mereka perlu memilih data yang sesuai dengan tujuan penelitian.
“Saya rasa Kemenkes sedang mengembangkan model AI untuk data kesehatan. Karena datanya besar dan sangat bervariasi, kita tidak mungkin membutuhkan semuanya, tetapi hanya yang berkaitan dengan pelayanan kita sebagai dokter anestesi,” jelasnya.
Pemilihan data harus dimulai dari masalah klinis yang ingin diselesaikan. Selanjutnya, peneliti menentukan tujuan prediksi dan memilih variabel yang relevan. Data juga perlu diperiksa dan dibersihkan sebelum digunakan untuk membangun model.
Selain kualitas data, peneliti perlu memperhatikan privasi pasien dan risiko bias. Dengan demikian, model yang dikembangkan dapat menjawab kebutuhan pelayanan secara lebih terarah.
Pengembangan AI untuk kebutuhan khusus dokter anestesi juga membuka peluang penelitian. Misalnya, model dapat dirancang untuk memperkirakan risiko pasien atau membantu keputusan klinis tertentu. Namun, penggunaannya tetap harus melalui pengujian yang sesuai.
Standar Data Membuka Peluang Kolaborasi Lintas Negara
Selain pengembangan model, standar pertukaran data menjadi perhatian dalam penelitian AI kesehatan. Standar yang sesuai membantu berbagai sistem bertukar dan menggunakan informasi secara konsisten. Kemampuan ini disebut interoperabilitas.
Sucandra menilai standardisasi data dapat mendukung pengembangan model AI yang lebih luas. Bahkan, peluang kerja sama dapat menjangkau institusi di luar Indonesia.
“Sehingga mungkin ada spesifikasi yang khusus dan itu sangat besar peluangnya kita mengaksesnya karena standar pengiriman data sudah dibuat oleh Kemenkes berstandar internasional. Harapannya tidak hanya di Indonesia, tetapi bisa lintas negara,” tuturnya dalam webinar pada Senin (19/10/2026).
Kolaborasi lintas rumah sakit dapat memperluas variasi data untuk menguji model. Selain itu, peneliti dapat menilai apakah model tetap akurat pada populasi yang berbeda.
Meski demikian, pertukaran data kesehatan memerlukan tata kelola yang jelas. Aspek yang perlu diperhatikan meliputi privasi pasien, keamanan sistem, dan dasar penggunaan data. Peneliti juga harus mengikuti standar teknis serta regulasi yang berlaku.
Dengan demikian, pengembangan AI untuk penelitian klinis tidak cukup hanya menghasilkan model prediksi. Model juga perlu diuji, dipantau, dan disesuaikan dengan kebutuhan pelayanan. Langkah tersebut penting agar teknologi dapat mendukung keputusan klinis secara aman dan tepat.
