Kecerdasan artifisial (artificial intelligence/AI) medis bukan satu jenis produk, melainkan rangkaian alat yang mengolah data untuk mendukung pekerjaan kesehatan. Sistemnya bisa menandai citra, memperkirakan risiko, menyusun draf catatan, atau mengurutkan pesan pasien. Nilai klinis baru muncul ketika tujuan, data, evaluasi, pemeriksaan manusia, dan pemantauan terhubung.
Di Indonesia, label AI tidak otomatis menempatkan aplikasi dalam satu jalur hukum. Peraturan Menteri Kesehatan (Permenkes) No. 5 Tahun 2026 memasukkan perangkat lunak bertujuan medis ke dalam definisi alat kesehatan. Aturan itu membagi alat kesehatan ke kelas A hingga D menurut risiko dan tujuan penggunaan.
AI medis mencakup beberapa jenis pekerjaan
Aplikasi kesehatan memakai AI untuk tugas klinis, administrasi, komunikasi, penelitian, dan pengembangan produk. Organisasi Kesehatan Dunia (WHO) menempatkan penilaian risiko-manfaat, evaluasi, dan pemantauan kinerja di antara pertimbangan utama AI kesehatan. Peta berikut membaca alur berdasarkan keluaran dan pengguna, bukan merek atau jenis model.
| Fungsi | Masukan umum | Keluaran dan pengguna | Pemeriksaan utama |
|---|---|---|---|
| Pembacaan klinis | Citra, gelombang, atau nilai laboratorium | Temuan, ukuran, atau skor bagi tenaga terlatih | Kesesuaian populasi, perangkat, dan lokasi pengujian |
| Prediksi dan prioritas | Rekam medis, obat, atau tanda vital | Perkiraan risiko, peringatan, atau urutan kasus bagi tim pelayanan | Rentang waktu, ambang, dan tanggapan saat keluaran keliru |
| Dokumentasi dan operasi | Suara, catatan, pesan, atau jadwal | Draf ringkasan atau tugas bagi staf klinis dan administrasi | Pemeriksa kelengkapan, hak akses, dan penanda tangan akhir |
| Interaksi pasien | Pertanyaan, formulir, atau catatan pribadi | Jawaban otomatis atau catatan terstruktur bagi pasien dan pendamping | Batas layanan dan pemindahan interaksi kepada petugas |
Tabel tersebut adalah pengelompokan redaksi, bukan klasifikasi regulator. Model serupa bisa menanggung bukti dan risiko berbeda ketika keluaran, pengguna, atau keputusan yang dipengaruhi berubah. Sistem penjadwalan tidak otomatis mengikuti jalur yang sama dengan perangkat lunak untuk tujuan diagnosis.
Lima tahap menghubungkan data dengan keputusan
Alur yang terkendali menjaga lima tahap tetap menunjuk tujuan dan versi sistem yang sama. Setiap tahap menghasilkan catatan yang bisa diperiksa sebelum dan setelah peluncuran. Putusnya satu hubungan membuat angka kinerja sulit diterapkan pada pekerjaan nyata.
1. Menetapkan tujuan penggunaan
Tujuan penggunaan (intended use) menyebut pengguna, populasi, lokasi, masukan, keluaran, dan keputusan yang dibantu. Prinsip GMLP final International Medical Device Regulators Forum (IMDRF) 2025 menghubungkan tujuan itu dengan alur klinis, manfaat, dan risiko pasien. Batasnya juga mencakup masukan yang ditolak, keadaan gagal, serta alur manual ketika sistem berhenti. Frasa “membantu dokter” terlalu luas untuk menentukan populasi uji dan ukuran kinerja.
Permenkes No. 11 Tahun 2025 mencantumkan pengujian aplikasi AI, verifikasi dan validasi desain, bukti klinis, serta analisis manajemen risiko. Pemegang izin alat kesehatan berbasis perangkat lunak AI juga diminta mengikuti praktik pembelajaran mesin yang baik (Good Machine Learning Practice/GMLP). Daftar itu menunjukkan bahwa demonstrasi produk tidak menggantikan bukti untuk fungsi, kelas risiko, dan versi yang diajukan.
2. Membangun jalur data yang terlacak
Jalur data mencatat sumber, periode, lokasi, perangkat, satuan, perubahan format, dan pihak yang memberi label. Citra membawa protokol pengambilan, sedangkan hasil laboratorium membawa satuan dan nilai kosong. Suara serta teks membawa risiko salah transkripsi dan identitas yang ikut terbawa. Setiap transformasi perlu tersambung dengan berkas sebelum dan sesudah pengolahan.
GMLP IMDRF meminta data mewakili populasi, lingkungan penggunaan, dan masukan pengukuran yang dituju. Kumpulan pelatihan dan pengujian dipelihara secara independen, termasuk dari ketergantungan pasien, lokasi, dan cara pengambilan data. Label “data Indonesia” saja belum membuktikan keterwakilan fasilitas, perangkat, dan kelompok pasien sasaran.
UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi menempatkan informasi kesehatan sebagai data pribadi spesifik. Aturan itu juga meminta penilaian dampak ketika pemrosesan berpotensi menimbulkan risiko tinggi bagi subjek data. Persiapan data karena itu terikat pada tujuan, dasar pemrosesan, akses, retensi, dan penghapusan.
3. Menguji model dan batas kinerjanya
Evaluasi dimulai dengan standar rujukan yang ditetapkan sebelum keluaran model dibuka. Ukuran kinerja dipilih menurut keputusan yang dibantu dan akibat dari tiap jenis kesalahan. Satu angka agregat bisa menyembunyikan kegagalan pada kelompok kecil atau perangkat tertentu. Laporan juga memuat jumlah sampel, ketidakpastian, kondisi penolakan masukan, dan batas generalisasi.
Pengujian bias perlu memisahkan hasil menurut kelompok pasien, lokasi, perangkat, dan kondisi masukan. Validasi rumah sakit juga mencocokkan bukti dengan populasi, alur, dan versi yang benar-benar dipakai. Kedua pemeriksaan tetap berbeda dari pelatihan model dan dokumen pemasaran pemasok.
4. Menempatkan pemeriksaan manusia di antarmuka
Model bisa menghasilkan kelas, skor, urutan, pengukuran, ringkasan, atau draf. Antarmuka menunjukkan apakah masukan lengkap, siapa pengguna sasaran, dan batas penggunaan keluaran. Informasi versi serta waktu pemrosesan membantu pemeriksa menghubungkan hasil dengan sistem yang aktif. Peringatan yang terlambat atau tampilan membingungkan tetap bisa menggagalkan model yang stabil di laboratorium.
GMLP IMDRF meminta penilaian kinerja tim manusia-AI dalam lingkungan penggunaan, bukan perangkat secara terpisah. Pemeriksaan bermakna memberi pengguna wewenang menerima, mengubah, menolak, atau meneruskan keluaran melalui langkah yang tercatat. Jejak itu membedakan kegagalan data, model, integrasi, tampilan, dan pemeriksaan manusia.
5. Memantau sistem setelah dipasang
Rencana pemantauan menetapkan nilai dasar, sinyal, pemilik tinjauan, dan tindakan sebelum sistem diaktifkan. Catatannya memisahkan lokasi, kelompok pasien, jenis kesalahan, gangguan layanan, koreksi manusia, serta versi. Perubahan populasi, perangkat, protokol, atau pencatatan bisa menggeser kinerja tanpa perubahan nama produk. Tindakan yang tersedia mencakup pembatasan fungsi, pemulihan versi, alur pengganti, dan penghentian sementara.
Permenkes No. 11 Tahun 2025 meminta kebijakan pelaporan insiden, pengelolaan risiko AI, dan mitigasi ancaman siber bagi pemegang izin terkait. Permenkes No. 5 Tahun 2026 menempatkan vigilans pada tahap penggunaan dan mewajibkan pemegang izin melaporkan masalah alat kesehatan. Pembaruan model memerlukan bukti versi, penilaian dampak, jalur penerimaan, dan prosedur pemulihan sendiri.
SATUSEHAT mengatur pertukaran data, bukan kinerja model
Kementerian Kesehatan (Kemenkes) menjelaskan SATUSEHAT sebagai ekosistem pertukaran data yang menghubungkan fasilitas, regulator, penjamin, dan penyedia layanan digital. Platform itu memakai Fast Healthcare Interoperability Resources (FHIR, standar pertukaran informasi kesehatan) dan antarmuka pemrograman aplikasi berbasis HTTPS REST. Standar tersebut mengatur struktur serta mekanisme perpindahan informasi antarsistem.
Cakupan dokumentasi itu menunjukkan bahwa sambungan data tidak sama dengan validasi klinis model. FHIR tidak menilai kelengkapan data sumber, keterwakilan populasi, ketepatan keluaran, atau akibat keputusan. Integrasi yang berhasil hanya memastikan pesan mengikuti spesifikasi pertukaran yang diuji.
Satu jejak menjaga lima tahap tetap selaras
Setiap tahap perlu menunjuk produk, model, perangkat lunak, jalur data, dan antarmuka dengan identitas yang sama. Berkas terpisah tanpa pengenal versi melemahkan penelusuran saat hasil berubah. Lima catatan berikut memperlihatkan hubungan minimum dalam satu alur.
| Catatan | Isi minimum | Ketidaksesuaian yang terlihat |
|---|---|---|
| Tujuan | Pengguna, populasi, lokasi, masukan, keluaran, keputusan, larangan, dan alur pengganti | Klaim produk lebih luas daripada penggunaan yang diuji |
| Data | Sumber, periode, fasilitas, perangkat, pengolahan, label, dan cakupan kelompok | Data penggunaan berbeda dari sampel evaluasi |
| Evaluasi | Standar rujukan, kumpulan uji independen, ukuran, kesalahan, ketidakpastian, dan batas | Skor utama tidak mendukung keputusan yang dituju |
| Alur kerja | Antarmuka, kewenangan pengguna, audit, gangguan layanan, dan jalur eskalasi | Keluaran mencapai pihak keliru atau tidak memiliki pemeriksa efektif |
| Peluncuran dan pemantauan | Versi, nilai dasar, sinyal, pemilik tindakan, bukti pembaruan, pemberitahuan, dan pemulihan | Versi baru masih memakai bukti sistem lama |
Pemasok dan rumah sakit bisa menyimpan catatan dalam sistem berbeda. Hubungannya tetap memerlukan pengenal versi dan waktu aktivasi yang konsisten. Perubahan satu komponen memicu pemeriksaan atas bukti yang bergantung pada komponen tersebut.
Pedoman operasional Indonesia masih disusun
Kemenkes pada Juni 2026 menyebut rekomendasi kebijakan dan pedoman nasional sebagai keluaran yang diharapkan dari forum AI kesehatan. Forum itu membahas regulasi, tata kelola data medis, keamanan siber, persetujuan pasien, dan telaah etik penelitian. Rumusan “diharapkan” menunjukkan sasaran yang masih disusun, bukan pedoman operasional final.
Badan Kebijakan Pembangunan Kesehatan (BKPK) mencatat kajian tata kelola AI kesehatan dengan batas akhir proses 31 Desember 2026. Halaman pemantauan yang diperiksa belum memuat dokumen analisis atau laporan akhir. Sampai artikel ini disusun, kami belum menemukan pedoman operasional nasional final yang menyatukan kelima tahap dalam penggunaan AI kesehatan. Kami juga belum menemukan statistik nasional terbuka tentang jumlah rumah sakit yang menjalankan seluruh tahap tersebut secara rutin.
Kesenjangan informasi itu tidak membuktikan bahwa rumah sakit atau pengembang belum memiliki pengendalian internal. Bukti AI medis tetap terikat pada tujuan, populasi, lokasi, versi, dan alur kerja yang dinilai. Pemantauan kemudian menunjukkan apakah sistem terpasang masih bekerja di dalam batas bukti tersebut.
Sumber dan rujukan
- Peraturan Menteri Kesehatan Nomor 5 Tahun 2026 tentang Perbekalan Kesehatan（Kementerian Kesehatan Republik Indonesia）Definisi perangkat lunak bertujuan medis sebagai alat kesehatan, kelas risiko, izin edar, dan vigilans.
- Peraturan Menteri Kesehatan Nomor 11 Tahun 2025（JDIH Kementerian Kesehatan Republik Indonesia）Dokumen registrasi aplikasi AI, bukti klinis, analisis risiko, GMLP, tata kelola data, dan pelaporan insiden.
- UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi（JDIH Kementerian Komunikasi dan Digital）Data kesehatan sebagai data pribadi spesifik dan penilaian dampak untuk pemrosesan berisiko tinggi.
- Good Machine Learning Practice for Medical Device Development: Guiding Principles（International Medical Device Regulators Forum）Tujuan penggunaan, data representatif, uji independen, interaksi manusia-AI, informasi pengguna, dan pemantauan.
- Regulatory Considerations on Artificial Intelligence for Health（World Health Organization）Pertimbangan risiko-manfaat, evaluasi, dan pemantauan AI kesehatan bagi pengembang, regulator, produsen, dan tenaga kesehatan.
- Apa itu SATUSEHAT?（Kementerian Kesehatan Republik Indonesia）SATUSEHAT sebagai ekosistem pertukaran data kesehatan yang memakai HL7 FHIR dan HTTPS REST API.
- Kemenkes Dorong Pengembangan Ekosistem AI Kesehatan yang Aman, Adil, dan Bertanggung Jawab（Direktorat Jenderal Kesehatan Lanjutan）Forum Juni 2026 dan sasaran penyusunan rekomendasi kebijakan serta pedoman nasional AI kesehatan.
- Tata Kelola Kecerdasan Artifisial di Sektor Kesehatan（Badan Kebijakan Pembangunan Kesehatan）Pemantauan kajian kerangka operasional AI kesehatan dengan batas akhir proses 31 Desember 2026.
