FHIR menopang SATUSEHAT, tetapi belum menjamin AI medis akurat

Rekam medis elektronik tidak otomatis saling dipahami hanya karena tersimpan secara digital. Nama pemeriksaan, struktur kunjungan, dan kode diagnosis bisa berbeda antarsistem. Fast Healthcare Interoperability Resources (FHIR) menyusun unsur itu sebagai resource, yakni unit data berstruktur yang bisa dipertukarkan melalui antarmuka pemrograman aplikasi. Di Indonesia, fungsi tersebut menjadi bagian dari infrastruktur SATUSEHAT.

FHIR menjadi lapisan pertukaran SATUSEHAT

Kementerian Kesehatan (Kemenkes) menjelaskan bahwa SATUSEHAT menghubungkan fasilitas pelayanan kesehatan, regulator, penjamin, dan penyedia layanan digital. Dokumen itu mencatat lebih dari 400 aplikasi kesehatan pemerintah sebelumnya belum saling terintegrasi. Ketidakseragaman metadata dan format pertukaran juga menghambat perpindahan informasi. SATUSEHAT menetapkan HL7 FHIR dan HTTPS REST API sebagai mekanisme bersama.

Dokumentasi SATUSEHAT mendefinisikan FHIR sebagai standar global untuk format, elemen data yang disebut resource, dan API pertukaran informasi. Data pasien, kunjungan, observasi, kondisi, atau obat tidak dikirim sebagai satu dokumen tanpa struktur. Setiap unsur memiliki tempat dan hubungan yang bisa dibaca sistem lain. Profil penerapan kemudian membatasi resource sesuai kebutuhan layanan di Indonesia.

Struktur data masih membutuhkan kamus klinis

FHIR mengatur bentuk pertukaran, sedangkan kode klinis menjaga arti data. Kolom diagnosis yang rapi tetap bermasalah bila dua sistem memakai kode berbeda untuk kondisi yang sama. SATUSEHAT memakai ICD-10 untuk diagnosis, LOINC untuk uji laboratorium, dan SNOMED CT untuk istilah klinis. Dokumen terminologi juga membagi daftar kode menurut layanan dan kasus penggunaan.

API Gateway SATUSEHAT memeriksa format dan kode terminologi sebelum permintaan diteruskan ke server FHIR. Sistem mengembalikan pesan galat ketika format, nilai, atau data berulang tidak memenuhi ketentuan. Pemeriksaan mesin ini mencegah sebagian kesalahan masuk ke lapisan pertukaran. Validasi tersebut tidak memastikan catatan awal sudah lengkap atau kesimpulan klinisnya benar.

AI memperoleh susunan data, bukan jawaban klinis

Model AI lebih mudah mengolah riwayat pasien ketika tanggal, jenis pemeriksaan, satuan, dan kode berada pada bidang yang konsisten. FHIR juga mengurangi pekerjaan membuat format masukan baru untuk setiap rumah sakit. Namun, standar pertukaran tidak memilih diagnosis atau memperbaiki nilai yang salah. Kinerja model tetap bergantung pada tugas, data pelatihan, kelengkapan catatan, dan pengujian setempat.

Riset pada 216.221 pasien dewasa di dua pusat medis Amerika Serikat memakai representasi berbasis FHIR untuk beberapa prediksi rekam medis. Model memperkirakan kematian selama perawatan, rawat ulang, lama perawatan, dan diagnosis saat pulang. Hasil itu menunjukkan FHIR bisa menjadi susunan masukan bagi pembelajaran mesin. Penelitian tersebut tidak menguji SATUSEHAT atau membuktikan satu model cocok untuk rumah sakit Indonesia.

Sebuah pracetak melaporkan akurasi 87 persen untuk SNOMED CT, 90 persen untuk LOINC, dan 84 persen untuk RxNorm. Model itu membentuk mCODE, model data inti onkologi berbasis FHIR, untuk pencocokan uji klinis. Angkanya bukan ukuran akurasi diagnosis dan bukan hasil penerapan nasional. Perbandingan dengan model yang menebak kode dari teks pada tugas lain akan menyesatkan.

Data terstruktur juga bisa menyulitkan model

Pracetak MedCase-Structured pada Mei 2026 menemukan akurasi diagnosis lebih rendah pada masukan FHIR dibandingkan teks biasa. Peneliti membentuk paket resource FHIR sintetis dari kasus yang ditulis klinisi. Hanya 82,5 persen kasus menghasilkan FHIR valid dalam jalur pembentukan data mereka. Temuan ini menyoroti kebutuhan pengujian dengan format yang benar-benar dipakai saat penerapan.

Dua hasil riset tersebut tidak saling membatalkan. Studi mCODE menilai pemetaan terminologi untuk data onkologi, sedangkan MedCase-Structured menguji penalaran diagnosis. Kumpulan data, model, dan sasaran pengukurannya berbeda. FHIR menyediakan tata letak bersama, tetapi tiap aplikasi AI memerlukan tolok ukur yang sesuai dengan tugasnya.

Akses AI harus mengikuti tujuan pemrosesan

Resource yang mudah dipanggil melalui API juga memperluas permukaan akses. Agen AI bisa menjalankan banyak permintaan lebih cepat daripada pengguna manusia. Token yang sah tidak menjelaskan apakah setiap permintaan relevan dengan pelayanan pasien. Pengelola perlu membatasi resource, operasi baca atau tulis, tujuan, dan masa berlaku akses.

Ketentuan SATUSEHAT mewajibkan hak akses mengikuti fungsi serta kewenangan dan mengaktifkan rekam jejak audit pada platform serta sistem fasilitas kesehatan. Audit mencatat waktu, pihak, objek data, dan perubahan dalam pemrosesan. Aturan itu memberi dasar penelusuran ketika aplikasi mengakses rekam medis. Dokumen publik tersebut tidak memuat hasil uji serangan atau evaluasi klinis khusus agen AI.

Bukti Indonesia masih berhenti pada infrastrukturnya

Dokumentasi Kemenkes menunjukkan standar data, terminologi, validasi, autentikasi, dan audit telah ditetapkan untuk SATUSEHAT. Lapisan itu memberi aplikasi AI jalur data yang lebih konsisten daripada integrasi khusus untuk setiap sistem. Kesiapan infrastruktur tetap berbeda dari bukti manfaat klinis. Pengujian harus memakai data, alur kerja, dan populasi pasien yang mewakili lokasi penerapan.

Sampai artikel ini disusun, kami belum menemukan dokumen resmi yang mengukur akurasi AI medis berbasis FHIR secara nasional di Indonesia. Belum ada pula angka publik untuk membandingkan mutu keluaran AI sebelum dan sesudah integrasi SATUSEHAT. Karena itu, FHIR layak dinilai sebagai fondasi pertukaran data, bukan sertifikat mutu model. Bukti berikutnya harus datang dari validasi lokal, audit akses, dan pemantauan kesalahan setelah penerapan.