Penulis:
Christabel Venusha Simatupang
Faiza Thufaildiza Salsabila
Joanne Abigail
Josefine Putri Ananda
Kumasa Mayrona Pawigo
Program Studi Teknik Industri, Universitas Airlangga
JurnalPost.com – Setiap tahun, kesalahan pemberian obat di rumah sakit di Amerika Serikat menyebabkan kerugian hingga US$30 miliar. Sepsis menghabiskan biaya sekitar US$25,7 miliar dan merenggut nyawa satu dari tujuh pasien yang mengalaminya. Sementara itu, kesalahan diagnosis terjadi pada sedikitnya 5,1% populasi dewasa setiap tahun, dengan total kerugian yang diperkirakan melampaui US$100 miliar. Di era ketika rumah sakit sudah memiliki sistem informasi canggih dan ribuan titik data per pasien, angka-angka ini terasa seperti kontradiksi yang menyakitkan. Masalahnya bukan lagi soal ada atau tidaknya teknologi, melainkan mengapa sistem kesehatan masih gagal memberikan perlindungan yang seharusnya bisa dijamin olehnya.
Pasien yang Jatuh di Celah Antarsistem
Carayon et al. (2020) memberikan jawaban yang paling mendasar. Selama ini, rumah sakit membangun layanan di sekitar satu kunjungan, bukan satu pasien. Seorang perempuan berusia 78 tahun dengan diabetes, gagal jantung, dan penyakit ginjal yang berpindah dari IGD di daerah pedesaan ke rumah sakit rujukan besar, lalu ke fasilitas rehabilitasi, dan akhirnya ke fisioterapi. Tidak satu pun fasilitas itu memiliki gambaran lengkap tentang keseluruhan perjalanannya. Di setiap perpindahan, informasi bisa hilang, koordinasi bisa gagal, dan obat bisa tidak dilanjutkan. Studi tentang manajemen obat pada pasien lansia yang bertransisi antarfasilitas menemukan bahwa kebingungan peran serta hambatan komunikasi paling sering muncul pada titik-titik transisi tersebut.
IGD Penuh Bukan Karena Kurang Dokter
Paterson et al. (2024) menunjukkan bagaimana fragmentasi itu tampak paling nyata di IGD. Dari 73 artikel internasional yang mereka kaji, pola yang muncul konsisten, yaitu penumpukan pasien, pengalihan ambulans, dan waktu tunggu berlarut-larut. Informasi tentang ketersediaan tempat tidur, status pemindahan pasien, dan kapasitas ruang operasi tersebar di sistem-sistem yang tidak saling terhubung. Satu rumah sakit yang dikaji menyimpan data aliran pasiennya dalam tujuh sistem berbeda yang tidak terintegrasi, sehingga staf harus mengumpulkan informasi secara manual sebelum bisa mengambil keputusan. Rumah sakit yang membangun pusat komando terpadu mencatat penurunan waktu tunggu IGD dari 9,7 jam menjadi 6,3 jam dan penghematan US$2,1 juta per tahun dari penurunan pasien yang pulang sebelum ditangani.
Perencanaan yang Berjalan Tanpa Data Nyata< Masalah lain tersembunyi di balik layar perencanaan kapasitas rumah sakit. Andrews et al. (2022) menemukan bahwa sebagian besar rumah sakit masih merencanakan kapasitas lewat rapat rutin dan spreadsheet Excel. Pendekatan ini menghasilkan keputusan parsial karena dampak satu departemen terhadap departemen lain jarang diperhitungkan. Ketika teknik process mining diterapkan pada 109.501 kasus di Queensland Children’s Hospital, hasilnya menunjukkan realitas yang mengejutkan.. Utilisasi tempat tidur rawat inap hanya mencapai 67,3% ketika ruang operasi dioptimalkan sepenuhnya, jauh di bawah prediksi perencana yang memperkirakan tempat tidur justru akan kewalahan. Data selalu tersedia, tetapi tidak pernah dibaca dengan cara yang mampu mengungkap ketidakselarasan tersembunyi itu.
AI yang Paling Dibutuhkan Justru Paling Dihindari
Tren yang muncul dari ketiga penelitian di atas cukup jelas. Sistem kesehatan sudah menghasilkan data berlimpah, tetapi integrasi dan interpretasinya masih jauh dari optimal. Maka wajar jika AI dianggap sebagai harapan besar. Penelitian Bates et al. (2021) merangkum 392 studi dan menemukan bukti yang menjanjikan. Algoritma machine learning mendeteksi sepsis lebih awal dengan akurasi AUC 0,86 hingga 0,92. Model berbasis random forest mengidentifikasi risiko luka tekan lebih baik daripada skala klinis konvensional. Sistem pemantauan berbasis sensor meningkatkan kepatuhan cuci tangan petugas dari 54% menjadi 100%.
Namun, Dai dan Tayur (2022) menemukan paradoks yang justru membalik ekspektasi itu. Dokter cenderung menghindari AI pada kasus dengan ketidakpastian tinggi, padahal di situlah AI paling bisa membantu. Kekhawatiran hukum menjadi alasan utama. Jika keputusan dokter berbeda dari rekomendasi AI dan pasien mengalami kerugian, dokter bisa menanggung konsekuensi hukum yang lebih berat. Kekhawatiran reputasi juga berperan. Dokter yang sering menggunakan alat bantu komputer cenderung dinilai kurang kompeten oleh rekan sejawatnya. Pasien pun punya hambatannya sendiri karena merasa kondisi mereka terlalu unik untuk diselesaikan oleh algoritma berbasis populasi. Akibatnya, AI sering dipakai hanya untuk mengonfirmasi apa yang sudah dokter yakini, bukan untuk menantang dan memperluas penilaian klinis di titik yang paling kritis.
Satu Benang Merah, Satu Arah
Perbedaan antara Bates et al. (2021) dan Dai & Tayur (2022) terletak persis di sini. Yang pertama melihat potensi teknis AI yang belum tergali sepenuhnya. Yang kedua melihat hambatan perilaku manusia yang lebih menentukan apakah potensi itu bisa terealisasi. Keduanya benar, dan ketegangan di antara keduanya itulah yang paling penting untuk dipahami.
Kelima penelitian ini menggambarkan satu tren besar yang konsisten. Sistem kesehatan bergerak menuju integrasi berbasis data, tetapi kecepatan teknologi terus melampaui kesiapan manusia dan desain sistemnya. Pusat komando memperbaiki koordinasi. Process mining memperbaiki perencanaan. AI memperbaiki prediksi risiko. Semua itu hanya bekerja jika ada kerangka yang menempatkan perjalanan pasien sebagai pusat dari seluruh rancangan sistem.
Rumah sakit masa depan bukan rumah sakit yang paling banyak memiliki sensor atau algoritma. Rumah sakit masa depan adalah yang mampu membuat semua bagiannya bekerja bersama tanpa celah. Sebab selama ini, justru di celah-celah itulah nyawa pasien sering kali hilang.
Daftar Pustaka
Andrews, R., Goel, K., Corry, P., Burdett, R., Wynn, M. T., & Callow, D. (2022). Process data analytics for hospital case-mix planning. Journal of Biomedical Informatics, 129, 104056.
Bates, D. W., Levine, D., Syrowatka, A., Kuznetsova, M., Craig, K. J. T., Rui, A., Jackson, G. P., & Rhee, K. (2021). The potential of artificial intelligence to improve patient safety: A scoping review. npj Digital Medicine, 4, 54.
Carayon, P., Wooldridge, A., Hoonakker, P., Hundt, A. S., & Kelly, M. M. (2020). SEIPS 3.0: Human-centered design of the patient journey for patient safety. Applied Ergonomics, 84, 103033.
Dai, T., & Tayur, S. (2022). Designing AI-augmented healthcare delivery systems for physician buy-in and patient acceptance. SSRN Working Paper 4044140.
Paterson, E., Chari, S., McCormack, L., & Sanderson, P. (2024). Application of a human factors systems approach to healthcare control centres for managing patient flow: A scoping review. Journal of Medical Systems, 48, 62.
