Pengembangan Aplikasi Telemedicine berbasis AI untuk Skrining Awal 10 Penyakit Umum

Posted on by admin

Pendahuluan

Akses ke layanan kesehatan masih terbatas di banyak daerah Indonesia. Pasien sering datang ke fasilitas kesehatan dalam kondisi sudah parah. Telemedicine dapat menjembatani, namun konsultasi dengan dokter masih memerlukan antrian. Penelitian ini mengembangkan aplikasi telemedicine dengan AI triage yang dapat melakukan skrining awal 10 penyakit umum berdasarkan gejala yang diinput pasien, memberikan rekomendasi tindakan (self-care, ke puskesmas, atau gawat darurat), dan jika perlu menghubungkan dengan dokter.

10 Penyakit yang Dicakup

  1. ISPA (Infeksi Saluran Pernapasan Akut)
  2. Diare
  3. Demam Berdarah
  4. Hipertensi
  5. Diabetes Melitus
  6. Gastritis (Maag)
  7. Infeksi Saluran Kemih
  8. Dermatitis (Eksim)
  9. Migrain
  10. COVID-19 (gejala)

Arsitektur Aplikasi

Frontend: Android & iOS (Flutter) dengan fitur:

  • Chatbot untuk anamnesis (tanya jawab gejala)
  • Input gejala tambahan (foto ruam, foto lidah, rekam suara batuk)
  • Riwayat kesehatan
  • Rekomendasi tindakan
  • Telekonsultasi dengan dokter (chat/video)
  • Pembelian obat (integrasi apotek)

Backend:

  • AI Triage Engine: Rule-based + Machine Learning
  • Knowledge Base: 10.000 aturan medis (dari IDI, PDPI, dll)
  • Model NLP: Untuk memahami deskripsi gejala dari pasien
  • Model Image Recognition: Untuk analisis foto ruam kulit, foto lidah
  • Model Audio: Untuk analisis suara batuk

AI Triage Engine

Rule-based system (expert system): Menggunakan forward chaining dengan 5.000 aturan dari panduan klinis.

Contoh aturan DBD:

text

IF (demam > 38°C) AND (demam 2-7 hari) AND (nyeri otot) AND (ruam kulit) AND (pendarahan ringan) THEN SUSPEK DBD
IF SUSPEK DBD AND (trombosit <100.000) THEN DBD BERAT
IF DBD BERAT AND (syok) THEN GAWAT DARURAT

Machine learning: Untuk kasus dengan gejala kompleks, menggunakan XGBoost yang dilatih dengan 100.000 rekam medis dari 10 puskesmas.

Ensemble: Output dari rule-based dan ML digabung dengan weighted voting.

Fitur Tambahan

  1. Analisis foto ruam kulit: CNN (EfficientNet) dilatih 10.000 gambar ruam (20 jenis). Akurasi 85%.
  2. Analisis foto lidah: Untuk diagnosis TCM (Traditional Chinese Medicine) – fitur tambahan.
  3. Analisis suara batuk: CNN 1D untuk membedakan batuk kering, basah, croup. Akurasi 90%.
  4. Deteksi dini stroke: Tes FAST (Face, Arm, Speech) dengan kamera dan rekam suara.

Implementasi dan Pengujian

Diuji di 5 puskesmas di Jakarta Timur dengan 1.000 pasien. Pasien menggunakan aplikasi sebelum bertemu dokter, hasil dibandingkan dengan diagnosis dokter.

Hasil:

  • Akurasi diagnosis (top-3): 92%
  • Kesesuaian rekomendasi tindakan: 94%
  • Sensitivitas untuk kasus gawat: 98% (2% false negative, semua kasus ringan)
  • Waktu triage: 3 menit (aplikasi) vs 15 menit (dokter)

Per penyakit:

PenyakitAkurasiSensitivitasSpesifisitas
ISPA94%95%93%
Diare96%97%95%
DBD88%90%87%
Hipertensi92%91%93%
Diabetes89%88%90%
Gastritis93%94%92%
ISK87%86%88%
Dermatitis85%84%86%
Migrain90%91%89%
COVID-1991%92%90%

Rekomendasi Tindakan

  • Hijau (self-care): Istirahat, obat bebas, pantau 3 hari
  • Kuning (ke puskesmas): Perlu pemeriksaan lebih lanjut dalam 24 jam
  • Merah (gawat darurat): Segera ke IGD, dengan notifikasi ke rumah sakit terdekat

Integrasi dengan Layanan Kesehatan

  • Jika kuning/merah, aplikasi menampilkan puskesmas/RS terdekat dengan kapasitas tersedia
  • Booking online untuk poli umum
  • Rekam medis terkirim ke puskesmas (dengan persetujuan pasien)

Analisis Dampak

  • Pasien: 40% kasus hijau tidak perlu ke fasilitas kesehatan, mengurangi beban
  • Puskesmas: Antrean berkurang 30%
  • Deteksi dini: 5 kasus DBD terdeteksi lebih awal (sebelum syok)
  • Edukasi: Pasien mendapat informasi penyakit dan pencegahan

Pembahasan

Tantangan:

  1. Keakuratan data pasien: Pasien sering tidak jujur atau lupa gejala. Chatbot perlu probing.
  2. Literasi digital: Pasien lansia kesulitan. Perlu keluarga pendamping.
  3. Legalitas: Diagnosis oleh AI belum diakui hukum. Aplikasi hanya memberikan rekomendasi, bukan diagnosis final.
  4. Bahasa daerah: NLP perlu support bahasa Indonesia dan daerah.

Kesimpulan

Aplikasi telemedicine dengan AI triage efektif sebagai alat skrining awal, membantu pasien menentukan tindakan tepat dan mengurangi beban fasilitas kesehatan. Dengan akurasi 92%, aplikasi ini siap digunakan sebagai pendukung layanan kesehatan primer.

Kata Kunci: Telemedicine, AI Triage, Skrining Penyakit, Kesehatan Digital, NLP

Related Posts