Pada tahun 2016, psikolog kognitif dan ilmuwan komputer asal Inggris, Geoffrey Hinton, menyerukan penghentian pelatihan radiolog lanjutan. Dengan aplikasi radiologi berbasis AI yang semakin efektif dari waktu ke waktu, Hinton meyakini bahwa AI mungkin akan memiliki peran besar dari pekerjaan radiologi [1]. AI menjanjikan dampak serupa pada bidang diagnostik laboratorium, tetapi seperti halnya dalam radiologi, beberapa jenis pekerjaan laboratorium lebih rentan terhadap otomatisasi dibandingkan yang lainnya. Tugas diagnostik yang memerlukan triangulasi antara banyak set data yang beragam akan sulit untuk diotomatisasi. Jika sebuah sistem AI harus belajar mendiagnosis kanker payudara dari awal, misalnya, maka sistem tersebut harus mempertimbangkan lebih dari 30 variabel setiap kali diagnosis. Ini mencakup informasi terstruktur dari pemindaian pencitraan dan tes genetik, serta narasi pasien yang tidak terstruktur dan riwayat keluarga. Untuk mencapai tingkat keahlian yang setara dengan seorang dokter spesialis, diperkirakan sistem AI tersebut harus menganalisis 7 miliar sampel kanker payudara yang unik. Tugas diagnostik lainnya mungkin lebih mudah untuk diotomatisasi. Dibandingkan dengan kanker payudara, lebih sedikit variabel yang perlu dipertimbangkan saat mendiagnosis penyakit jantung koroner, memetakan tren flu atau mengenali aritmia pada EKG. Selama dua tahun terakhir, dua tim menunjukkan bahwa AI sama baiknya dengan dokter spesialis dalam mendiagnosis kanker kulit, sementara tim lain di Stanford menunjukkan hal serupa untuk pneumonia [2]. AI juga berpotensi mengubah bidang diagnostik laboratorium dalam dua ranah yang lebih luas: dengan meningkatkan akses terhadap layanan diagnostik di lingkungan dengan sumber daya terbatas, serta menciptakan peluang baru untuk pemantauan pasien secara berkelanjutan.
Menyediakan layanan diagnostik bagi mereka yang tidak memilikinya
di banyak negara berkembang dan di wilayah terpencil di negara maju, jutaan orang tidak memiliki akses ke layanan diagnostik dasar, termasuk waktu konsultasi dengan dokter yang dapat menghasilkan, menafsirkan, dan menjelaskan hasil laboratorium. Dengan mengambil alih sebagian pekerjaan ini dan menurunkan biaya diagnosis, AI dapat berperan besar dalam mengatasi masalah tersebut. Sementara beberapa sistem diagnostik yang didukung AI mungkin akan memberikan diagnosis positif, sistem lainnya akan berfokus pada pengesampingan penyakit berat. Nilai prediktif negatif yang dicapai oleh sistem AI untuk banyak penyakit berat sudah berada pada rentang 90-an, dengan akurasi yang seringkali lebih baik dibandingkan dokter umum yang bekerja di daerah pedesaan. Bagi pasien yang hasil pemeriksaannya positif, pasien tersebut dapat dirujuk dan ditangani oleh sistem layanan kesehatan regional, di mana para ahli yang terlatih dalam bidang kedokteran klinis dan laboratorium dapat memberikan perawatan yang mereka butuhkan.
Meningkatkan perawatan dengan pemantauan berkelanjutan
dalam jangka panjang, laboratorium juga dapat menggunakan AI untuk mengintegrasikan jenis data pasien yang baru dan memantau pasien secara berkelanjutan dengan cara yang lebih dipersonalisasi. Setiap tahun, semakin banyak orang yang menggunakan perangkat sandingan yang melacak jumlah langkah, detak jantung, pola tidur, dan kalori mereka secara waktu nyata. Kita bahkan mungkin akan melihat adopsi luas dari sikat gigi pintar yang mengekstraksi data dari penanda biologis dalam air liur saat kita menyikat gigi. Dalam lima tahun ke depan, kemajuan semacam ini akan mengubah apa yang kita ketahui tentang pasien. Seorang pasien tidak lagi hanya menjadi seseorang yang tanda vitalnya diamati pada titik waktu tertentu. Fenomena ini tetap akan terjadi, tetapi laboratorium juga akan memiliki akses terhadap sinyal yang bersifat berkelanjutan. Setiap variasi pribadi yang signifikan memungkinkan laboratorium untuk mendukung penyesuaian tepat waktu terhadap rencana perawatan yang ada. Kita mulai memahami bahwa bukan rentang referensi populasi yang menentukan apakah hasil seseorang individu normal, melainkan bagaimana hasil tersebut berubah dari waktu ke waktu. Dalam lima tahun ke depan, lebih banyak penerapan AI yang memudahkan akan bermunculan. Laboratorium yang sejak dini mempersiapkan diri untuk sistem layanan kesehatan yang didukung AI akan memperoleh manfaat paling besar. Untuk mempersiapkan realitas baru ini, langkah penting bagi laboratorium adalah mulai mendigitalkan informasi, mengindeksnya, dan menyimpannya dalam format yang mudah diakses.
References:
[1] A.I. Versus M.D., Apa yang terjadi ketika diagnosis diotomatisasi? The New Yorker, 2017
[2] Stanford algorithm can diagnose pneumonia better than radiologists, Stanford News, 2017 Artikel ini didasarkan pada presentasi “Kecerdasan Buatan dalam Layanan Kesehatan dan Diagnostik” pada LEADx Diagnostics Leadership Summit di Mumbai, India.
