Badan Penyelenggara Jaminan Sosial Kesehatan (BPJS Kesehatan) telah menyediakan data sampel Jaminan Kesehatan Nasional (JKN) untuk riset. Akses terhadap sampel tidak berarti seluruh data klaim bebas disalin atau dipakai melatih kecerdasan artifisial (AI) medis. Tujuan pemrosesan, mutu data, dan validasi klinis perlu dinilai melalui jalur terpisah. Izin memperoleh data juga bukan izin menerapkan model di rumah sakit.
Data sampel membuka riset, bukan akses tanpa batas
BPJS Kesehatan pada 21 Desember 2020 menerbitkan data sampel 2015-2018 untuk penelitian dan kebijakan berbasis bukti. Siaran pers itu menyebut sampel berasal dari data kepesertaan dan pelayanan serta melewati pengendalian mutu. Pemohon saat itu harus menyerahkan dokumen kepada Pejabat Pengelola Informasi dan Dokumentasi (PPID) BPJS Kesehatan. Dokumennya mencakup surat instansi, formulir, pakta integritas, proposal penelitian, dan bukti identitas. PPID kemudian memverifikasi berkas sebelum data diserahkan.
Prosedur tersebut adalah catatan 2020, bukan konfirmasi bahwa persyaratan yang sama masih berlaku pada Agustus 2026. Dokumen itu membuktikan adanya jalur sampel, tetapi tidak membuka seluruh basis data JKN. Dokumen tersebut juga tidak menetapkan prosedur khusus untuk pelatihan AI klinis. Lingkup data dan penggunaannya tetap harus ditetapkan dalam persetujuan proyek.
Klaim JKN bukan rekam medis lengkap
Kemenkes menandai modul integrasi klaim BPJS masih berada di lingkungan uji dan memisahkan tujuh elemen pembiayaan dari data medis. Empat elemennya adalah akun (Account), biaya layanan (ChargeItem), klaim (Claim), dan tanggapan klaim (ClaimResponse). Tiga lainnya adalah cakupan (Coverage), tagihan (Invoice), dan keputusan purifikasi (PurificationDecision). Data rekam medis elektronik yang terkait dengan klaim dikirim dalam bagian tersendiri. Susunan ini menunjukkan klaim dan catatan klinis saling berkaitan, tetapi tidak identik.
Statistik JKN 2016-2021 menyebut data klaim hanya mencatat layanan di fasilitas mitra, sedangkan klaim yang ditolak tidak terekam. Buku itu juga menjelaskan bahwa pelayanan yang tidak memakai manfaat JKN berada di luar cakupan tersebut. Data klaim karena itu bukan peta lengkap seluruh kejadian medis peserta. Kebutuhan setiap variabel bergantung pada tugas yang hendak dipelajari model. Model untuk pemeriksaan transaksi administratif tidak otomatis layak mendukung keputusan klinis bagi pasien.
Gerbang pertama: tujuan pemrosesan dan hak akses
UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi menggolongkan data dan informasi kesehatan sebagai data pribadi spesifik. Undang-undang itu juga mengatur pemrosesan serta kewajiban pengendali dan prosesor data. Pelatihan model karena itu memerlukan tujuan yang sah, spesifik, dan terdokumentasi. Penghilangan nama atau nomor identitas hanya satu lapis pengendalian.
SATUSEHAT Data membedakan akses publik berisi data agregat dari akses privat bagi pihak berwenang yang telah diverifikasi. Ketentuan itu berlaku pada platform Kemenkes, bukan prosedur data sampel BPJS Kesehatan. Namun, pemisahan tersebut menunjukkan bahwa dasbor publik tidak sama dengan kumpulan data individu. Setiap sumber data memerlukan dasar akses, batas penggunaan, dan catatan auditnya sendiri.
Dokumen proyek perlu menghubungkan tujuan model dengan setiap kolom yang diminta. Catatan juga harus menyebut pengendali, prosesor, pengguna, lokasi penyimpanan, masa retensi, dan tata cara penghapusan. Versi kumpulan data perlu dipasangkan dengan versi model dan nomor persetujuan yang berlaku. Rantai ini memungkinkan penelusuran ketika akses berubah atau hasil model dipersoalkan.
Gerbang kedua: mutu data dan keterwakilan
Tinjauan sistematis pada 2023 menghimpun 103 artikel tentang mutu data rekam medis elektronik. Kajian itu menemukan dimensi kelengkapan, ketepatan, kesesuaian, kewajaran, kemutakhiran, kepatuhan format, dan bias. Para penulis juga menemukan belum ada satu metode baku untuk seluruh penilaian mutu. Kajian tersebut bukan pengujian data JKN, tetapi menyediakan kerangka audit yang relevan.
Kelengkapan perlu dinilai terhadap pertanyaan model, bukan jumlah baris semata. Ketepatan kode membutuhkan pembandingan dengan sumber klinis atau penelaahan sampel oleh pihak yang kompeten. Kesesuaian antarfasilitas mencakup definisi kolom, satuan, waktu pencatatan, dan perubahan sistem. Pemeriksaan bias perlu memisahkan usia, jenis kelamin, wilayah, tingkat fasilitas, dan periode pelayanan.
Keterwakilan nasional juga tidak menjamin kecocokan pada satu rumah sakit. Pola rujukan, pencatatan, alat, dan populasi bisa berbeda dari kumpulan pelatihan. Perbedaan tersebut harus dicatat sebelum skor model dibandingkan. Nilai rata-rata yang tinggi bisa menyembunyikan kegagalan pada kelompok dengan sedikit data.
Gerbang ketiga: validasi klinis dan pemantauan
Kerangka World Health Organization (WHO) pada 2021 mencakup bukti sejak pengembangan hingga pengawasan pascapemasaran alat medis berbasis AI. Data uji perlu terpisah dari data pelatihan dan penyetelan model. Validasi eksternal kemudian menguji tempat, populasi, perangkat, atau periode yang berbeda. Tahap ini menilai apakah kinerja bertahan di luar lingkungan pengembangan.
Luas di bawah kurva (area under the curve/AUC) atau akurasi pada data retrospektif hanya menjawab sebagian pertanyaan. Pengujian rumah sakit juga perlu mengukur masukan gagal, alarm keliru, kasus terlewat, koreksi klinisi, dan waktu tanggap. Hasil harus dipisahkan menurut kelompok pasien yang relevan, bukan hanya satu angka rata-rata. Dampak pada alur kerja dan hasil pelayanan memerlukan pengukuran tersendiri.
Perubahan model memerlukan bukti baru
Food and Drug Administration (FDA) Amerika Serikat menyusun prinsip bersama Health Canada dan Medicines and Healthcare products Regulatory Agency (MHRA) Inggris. Prinsip tersebut meminta pemantauan model terpasang serta pengelolaan risiko pelatihan ulang. Dokumen itu juga memuat perubahan terencana, protokol penerapan, dan penilaian dampak. Dokumen tersebut adalah acuan internasional, bukan izin penggunaan di Indonesia. Prinsipnya menjelaskan mengapa versi data dan model harus tercatat sebelum penerapan.
Setiap pelatihan ulang bisa mengubah kelompok yang sering salah diklasifikasikan. Ambang penerimaan, pemilik keputusan, jadwal tinjauan, dan jalur penghentian perlu ditetapkan sejak awal. Validasi harus diulang ketika populasi, sumber data, perangkat, atau tujuan penggunaan berubah. Tanpa rencana kembali ke versi sebelumnya, pembaruan menambah risiko yang sulit ditelusuri.
Kerangka nasional khusus masih menjadi celah informasi
Portal Badan Kebijakan Pembangunan Kesehatan (BKPK) mencatat kajian tata kelola AI kesehatan dengan batas akhir proses 31 Desember 2026. Pertanyaan kebijakannya mencakup keselamatan pasien, pelindungan data pribadi, keandalan hasil, dan acuan operasional bagi fasilitas kesehatan. Status kajian tidak membuktikan bahwa proyek lokal belum berjalan. Status itu menunjukkan kerangka operasional nasional belum boleh dianggap final.
Sampai artikel ini disusun, kami belum menemukan dokumen resmi Indonesia yang menetapkan jalur nasional khusus untuk memakai data JKN sebagai data pelatihan AI medis. Kami juga belum menemukan persyaratan publik yang merinci lingkungan komputasi, pemeriksaan keluaran model, dan pemantauan proyek semacam itu. Akses sampel, izin pelatihan, validasi klinis, dan penerapan karena itu tetap menjadi empat keputusan berbeda. Proposal baru matang ketika tujuan, kamus data, populasi, versi, penanggung jawab, dan jalur penghentian tercatat.
Sumber dan rujukan
- Mudahkan Akses Data untuk Publik, BPJS Kesehatan Luncurkan Data Sampel 2015-2018（BPJS Kesehatan）Tujuan data sampel, jenis data, serta prosedur permohonan dan verifikasi yang diumumkan pada 2020.
- UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi（JDIH Kementerian Komunikasi dan Digital）Klasifikasi data kesehatan sebagai data pribadi spesifik dan prinsip pemrosesan data pribadi.
- Pembiayaan Kesehatan Klaim BPJS Kesehatan（SATUSEHAT, Kementerian Kesehatan）Pemisahan elemen pembiayaan, data kunjungan, dan data medis dalam alur integrasi klaim BPJS.
- Statistik JKN 2016-2021（Dewan Jaminan Sosial Nasional dan BPJS Kesehatan）Cakupan data klaim, layanan di fasilitas mitra, serta kejadian dan klaim yang tidak terekam.
- Ketentuan Umum dan Kebijakan Privasi SATUSEHAT Data（SATUSEHAT, Kementerian Kesehatan）Pembedaan akses publik dan privat, verifikasi pengguna, data agregat, serta pengendalian hak akses.
- Electronic health record data quality assessment and tools: a systematic review（Journal of the American Medical Informatics Association）Tujuh dimensi mutu data yang dihimpun dari 103 artikel dan ketiadaan satu metode penilaian baku.
- Generating Evidence for Artificial Intelligence Based Medical Devices（World Health Organization）Kerangka pembentukan bukti dari pengembangan dan validasi hingga pengawasan pascapemasaran.
- Predetermined Change Control Plans for Machine Learning-Enabled Medical Devices: Guiding Principles（U.S. Food and Drug Administration）Prinsip pemantauan model terpasang, pengelolaan pelatihan ulang, dan pengendalian perubahan.
- Tata Kelola Kecerdasan Artifisial di Sektor Kesehatan（Badan Kebijakan Pembangunan Kesehatan, Kementerian Kesehatan）Status kajian, pertanyaan kebijakan, dan batas akhir proses kerangka tata kelola AI kesehatan pada 2026.
