Peneliti Korea Usulkan Jembatan AI antara Klinik Setempat dan Rumah Sakit Besar

Usulan lapisan perantara untuk sistem kesehatan yang padat

Warga Korea Selatan rata-rata melakukan 18 kunjungan rawat jalan per orang pada 2023, dibandingkan dengan rata-rata OECD sebesar 6,5. Dengan adopsi rekam medis elektronik di atas 95%, negara ini memadukan infrastruktur digital yang luas dengan tingginya permintaan konsultasi. Kini, sebuah tim peneliti mengusulkan penggunaan kecerdasan buatan untuk menghubungkan klinik di lingkungan permukiman dan rumah sakit besar dengan lebih erat, alih-alih menambah kategori baru institusi medis.

Usulan yang disebut Sistem Layanan Kesehatan Tingkat 1,5 itu diterbitkan secara daring pada 2 September 2026 di npj Health Systems, jurnal Nature Portfolio. Dipimpin Profesor Jung Se-young dari Departemen Kedokteran Keluarga di Seoul National University Bundang Hospital, tim tersebut menguraikan lapisan AI yang dapat membantu klinik melakukan skrining pasien, bertukar informasi medis, mendeteksi risiko penyakit yang terlewatkan, dan memantau kondisi kronis di antara jadwal konsultasi.

Makalah perspektif yang diterbitkan itu menghimpun bukti dari sejumlah studi klinis terpisah. Makalah tersebut tidak melaporkan uji coba model layanan kesehatan secara menyeluruh ataupun mengumumkan penerapan nasional. Argumen utamanya adalah bahwa perangkat AI individual sebaiknya ditata untuk mendukung tugas yang harus dijalankan layanan kesehatan primer, bukan diperkenalkan sebagai produk teknologi yang berdiri sendiri.

Profesor Park Sang-min dari Seoul National University College of Medicine dan anggota Majelis Nasional Cha Ji-ho juga turut berpartisipasi. Penulis yang tercantum meliputi Seong-Ho Han, Eojin Yi, Wooin Seo, dan Yeonsoo Kang. Tim tersebut mengumumkan penerbitan makalah pada 17 September 2026.

Perbedaan antara usulan dan sistem yang sudah beroperasi sangat penting. Para penulis menyebut Korea Selatan sebagai tempat yang menjanjikan untuk menguji kerangka kerja ini, sekaligus mengakui bahwa insentif, tata kelola kelembagaan, dan pemantauan yang diperlukan untuk mendukungnya belum tersedia dalam skala luas.

Apa yang akan dilakukan tingkat 1,5

Lapisan perantara yang diusulkan merupakan jembatan teknis antara layanan primer dan layanan spesialis. Pasien tetap akan mengunjungi tenaga medis setempat dan menerima perawatan rumah sakit bila diperlukan. AI akan mendukung pengambilan keputusan dan pertukaran informasi yang menghubungkan kedua layanan tersebut.

Kerangka kerja ini menata dukungan tersebut berdasarkan empat fungsi layanan kesehatan primer yang telah dikenal: kontak pertama, koordinasi, kelengkapan layanan, dan kesinambungan. Artinya, menilai masalah kesehatan baru, menyelaraskan perawatan antarpenyedia layanan, menangani beragam kebutuhan kesehatan, serta menjaga keberlanjutan perawatan dari waktu ke waktu.

Misalnya, klinik dapat menggunakan AI untuk menafsirkan citra skrining, menyiapkan dokumen rujukan, dan menggabungkan ringkasan pasien setelah pulang dari rumah sakit dengan hasil pembacaan perangkat pemantauan di rumah. Manfaat yang diharapkan adalah tersedianya gambaran pasien yang lebih lengkap tanpa mengharuskan tenaga medis menyusunnya kembali secara manual pada setiap kunjungan.

Para penulis menggambarkan tujuan mereka sebagai upaya memperluas akses terhadap layanan yang penuh perhatian dan disesuaikan dengan kebutuhan individu, seperti yang diasosiasikan dengan layanan medis concierge. Dalam abstrak makalah, tim peneliti menyebut model ini sebagai alternatif yang dapat diperluas untuk pendekatan tersebut:

layanan concierge untuk semua.

Itu adalah tujuan yang dinyatakan, bukan hasil yang telah dibuktikan. Bukti bahwa suatu perangkat membantu tugas tertentu tidak membuktikan bahwa sistem secara menyeluruh dapat memberikan perawatan yang lebih personal tanpa menambah tenaga kerja atau biaya.

Skrining dapat menemukan penyakit, tetapi juga bisa luput

Salah satu contohnya berasal dari studi prospektif di Australia yang menggabungkan fotografi retina otomatis dengan skrining glaukoma berbasis AI di layanan primer. Glaukoma yang memerlukan rujukan, yakni penyakit yang perlu dinilai oleh spesialis, teridentifikasi pada 18 dari 161 peserta yang sebelumnya belum terdiagnosis, atau 11,2%.

Makalah itu juga mencantumkan angka kinerja yang memberi konteks terhadap tingkat deteksi tersebut: sensitivitas 65,0%, spesifisitas 94,6%, dan luas di bawah kurva karakteristik operasi penerima, atau AUROC, sebesar 0,80.

Sensitivitas menggambarkan kemampuan tes mengidentifikasi orang yang memiliki kondisi tersebut. Spesifisitas menggambarkan kemampuannya mengidentifikasi orang yang tidak memilikinya. Sensitivitas yang dilaporkan menunjukkan bahwa pendekatan skrining ini tidak mendeteksi semua kasus. Spesifisitas yang relatif tinggi tidak menghilangkan keterbatasan tersebut.

AUROC mengukur kemampuan tes membedakan kasus dan bukan kasus pada berbagai ambang keputusan. Nilai 0,80 menunjukkan kemampuan diskriminasi yang berguna, tetapi tidak sama dengan mengatakan bahwa 80% pasien menerima diagnosis yang benar.

Hasil ini mendukung penggunaan AI untuk memperluas skrining dan membantu mengarahkan pasien ke layanan yang sesuai. Hasil tersebut tidak mendukung anggapan bahwa hasil negatif menjamin ketiadaan penyakit. Perbedaan ini merupakan inti model yang diusulkan: dukungan skrining harus tetap terhubung dengan penilaian klinis dan rujukan.

Rujukan yang lebih baik membutuhkan lebih dari sekadar tulisan yang lancar

Untuk mendukung koordinasi, para peneliti menyoroti model bahasa besar yang menyusun surat rujukan dan ringkasan pasien setelah pulang dari rumah sakit berdasarkan rekam medis elektronik. Makalah tersebut menyebut akurasi hingga 99,25% dalam peringkasan zero-shot, serta bukti keselarasan yang tinggi dengan ringkasan yang ditulis oleh tenaga medis.

Zero-shot berarti model menjalankan tugas yang diminta tanpa menerima contoh khusus tugas tersebut dalam evaluasi itu. Ini bukan berarti model belum pernah dilatih. Model bahasa besar menjalani pelatihan ekstensif sebelum diminta menghasilkan dokumen medis.

Potensi manfaatnya bersifat praktis. Pasien yang berpindah dari klinik setempat ke rumah sakit membutuhkan catatan yang jelas mengenai gejala, pemeriksaan, dan perawatan. Ketika kembali ke layanan kesehatan komunitas, perubahan obat dan rekomendasi spesialis perlu ikut disampaikan. Otomatisasi draf awal dapat mengurangi waktu untuk menghimpun rincian tersebut.

Namun, angka akurasi yang dikutip berasal dari evaluasi tertentu. Angka itu bukan jaminan bahwa setiap surat rujukan yang dibuat di klinik lain akan lengkap atau aman. Dokumen yang tersusun rapi tetap bisa menghilangkan fakta penting. Karena itu, kerangka kerja ini tetap menempatkan tanggung jawab atas keputusan perawatan pada tenaga profesional.

Koordinasi juga tidak hanya mencakup rumah sakit. Makalah tersebut menguraikan inisiatif di Nebraska yang menggunakan platform navigasi layanan digital untuk mengidentifikasi kebutuhan sosial yang belum terpenuhi, menghubungkan pasien dengan sumber daya komunitas, dan mendukung tindak lanjut melalui petugas kesehatan komunitas. Contoh ini memperluas usulan tersebut melampaui pembuatan dokumen: informasi seharusnya membantu menghubungkan pasien dengan layanan, bukan sekadar menghasilkan lebih banyak teks.

Pemindaian yang sudah ada dapat mengungkap risiko yang terlewatkan

Komponen kelengkapan layanan mempertanyakan apakah AI dapat membantu dokter umum menangani lebih banyak kebutuhan kesehatan pasien dengan memanfaatkan informasi yang sudah dikumpulkan. Salah satu contohnya adalah skrining oportunistik, yaitu memeriksa hasil pemindaian yang dilakukan untuk satu tujuan guna mencari tanda kondisi lain.

Dalam proyek NOTIFY-1 di AS, AI mengidentifikasi kalsium arteri koroner pada citra tomografi terkomputasi dada yang sudah ada. Endapan kalsium dapat menandakan aterosklerosis, yakni penumpukan plak di arteri. Para peneliti kemudian memberi tahu tenaga medis dan pasien mengenai temuan tersebut.

Makalah akademis itu melaporkan tingkat peresepan statin sebesar 51,2% dibandingkan 6,9% pada enam bulan, selisih 44,3 poin persentase dan rasio sekitar 7,4 kali. Statin menurunkan kolesterol dan digunakan untuk mengurangi risiko kardiovaskular pada pasien yang memenuhi syarat.

Sejumlah laporan menggambarkan angka tersebut sebagai kenaikan dari 6,9% sebelum skrining menjadi 51,2% sesudahnya. Namun, uraian akademis menyajikannya sebagai perbandingan pada enam bulan dan menyatakan bahwa tidak satu pun pasien menggunakan statin pada awal penelitian. Karena itu, angka 6,9% tidak seharusnya dianggap sebagai tingkat peresepan awal.

Hasil tersebut mengukur perubahan peresepan, bukan penurunan serangan jantung yang telah dibuktikan. Hasil ini juga mencerminkan intervensi gabungan: deteksi AI yang diikuti pemberitahuan kepada dokter dan pasien. Dampak keseluruhan tidak dapat dikaitkan dengan deteksi semata.

Dukungan diagnosis yang lebih luas memiliki beragam jenis bukti

Makalah tersebut juga mengutip uji acak penggunaan bantuan AI untuk spirometri, yakni tes yang mengukur banyaknya udara yang dapat diembuskan seseorang dan seberapa cepat. Tes ini lazim digunakan untuk mengevaluasi gangguan pernapasan.

Dukungan keputusan berbasis AI meningkatkan prediksi diagnosis pilihan tenaga medis sebesar 9,0 poin persentase pada seluruh kasus. Untuk penyakit paru obstruktif kronis, atau COPD, peningkatannya sebesar 15,9 poin persentase. Interval kepercayaan 95% yang dilaporkan masing-masing adalah 4,5 hingga 13,3 poin dan 9,0 hingga 22,7 poin.

Angka tersebut menunjukkan peningkatan dalam tugas diagnosis, bukan bukti bahwa AI dapat menangani penyakit pernapasan secara mandiri. Para penulis menempatkan perangkat semacam ini dalam alur kerja yang mengharuskan verifikasi tenaga medis dan rujukan bila kasus berada di luar cakupan layanan primer.

Studi terpisah oleh Pickhardt dan rekan-rekannya memodelkan skrining AI pada hasil CT yang sudah ada untuk mendeteksi penyakit kardiovaskular, osteoporosis, dan sarkopenia, yaitu kehilangan massa dan fungsi otot. Pada kelompok orang berusia 55 tahun yang dimodelkan, pendekatan tersebut diproyeksikan menghemat biaya dan menghasilkan luaran klinis yang lebih baik selama 10 tahun dibandingkan strategi mengobati semua orang atau tidak mengobati siapa pun.

Bukti tersebut berbeda dari uji klinis. Model memperkirakan hasil berdasarkan asumsi tentang penyakit, perawatan, dan biaya. Model dapat membantu menilai apakah suatu pendekatan layak diuji, tetapi proyeksi penghematan tidak boleh disajikan sebagai uang yang sudah dihemat oleh kerangka kerja Korea yang diusulkan.

Perawatan diabetes dapat berlanjut di antara jadwal konsultasi

Untuk kesinambungan, para peneliti berfokus pada informasi dan perawatan yang tetap berjalan di luar ruang konsultasi. Monitor glukosa kontinu mengumpulkan pembacaan secara berkala, sehingga tim perawatan dapat melihat pola yang mungkin luput dari pengukuran sesekali di klinik.

Uji acak sistem Twin Precision Treatment menggabungkan pemantauan glukosa, saran gaya hidup berbasis AI, dan umpan balik digital. Uji tersebut melaporkan bahwa 71,0% peserta dengan diabetes tipe 2 mencapai remisi atau mengurangi penggunaan obat.

Itu merupakan luaran gabungan. Angka tersebut bukan berarti 71,0% mencapai remisi, dan juga bukan berarti semua orang dalam kelompok itu berhenti menggunakan obat. Perbedaan ini penting saat menjelaskan hal yang dapat diharapkan pasien dari program serupa.

Di Uni Emirat Arab, model GluCare.Health menggabungkan pemantauan jarak jauh dengan dukungan keputusan klinis berbasis AI. Makalah tersebut melaporkan penurunan HbA1c sebesar 2,19 poin persentase, dibandingkan 0,10 poin persentase pada perawatan standar, atau selisih 2,09 poin. HbA1c mencerminkan rata-rata glukosa darah selama sekitar dua hingga tiga bulan.

Kedua contoh tersebut membahas paket layanan, bukan perangkat lunak yang bekerja sendiri. Perangkat pemantauan, dukungan gaya hidup, dan pengelolaan klinis menyertai komponen AI. Contoh-contoh itu mendukung pengujian perawatan yang lebih berkesinambungan, tetapi tidak membuktikan bahwa AI saja menghasilkan perbaikan yang dilaporkan.

Dokter tetap bertanggung jawab dengan tiga mekanisme pengawasan

Usulan tersebut menempatkan tanggung jawab diagnosis dan perawatan pada tenaga medis berizin dan institusi layanan kesehatan. AI akan mendukung penerimaan pasien, dokumentasi, penentuan prioritas, penilaian risiko, dan pemantauan, bukan mengambil alih tanggung jawab atas pasien secara mandiri.

Intensitas pengawasan akan meningkat seiring bertambahnya otonomi perangkat dan besarnya konsekuensi dari keluarannya. Ringkasan administratif dan penjadwalan dapat ditinjau setelah dibuat. Prioritas triase dan saran klinis perlu ditinjau tenaga medis sebelum ditindaklanjuti. Diagnosis, resep, dan keputusan perawatan penting lainnya memerlukan konfirmasi profesional.

Para penulis juga menetapkan tiga mekanisme pengawasan: klinis, tata kelola, dan pembelajaran. Secara bersama-sama, ketiganya menjelaskan perlunya mengawasi perawatan, menjaga akuntabilitas institusi, serta memanfaatkan pengalaman setelah penerapan untuk memantau dan meningkatkan sistem.

Perbedaan ini berguna karena evaluasi laboratorium atau klinis yang berhasil belum memastikan bagaimana kinerja suatu perangkat setelah digunakan dalam praktik sehari-hari. Kerangka kerja yang menghubungkan beragam perangkat memerlukan pengawasan atas layanan gabungan, serta pemeriksaan terhadap setiap aplikasi secara individual.

Prinsip yang sama berlaku untuk rekam medis. Para peneliti mengusulkan penggabungan rekam medis institusi dengan informasi yang dihasilkan pasien dari perangkat yang dapat dikenakan, rekam kesehatan pribadi, dan terapi digital. Mereka membahas terminologi klinis terstandardisasi, termasuk SNOMED CT, untuk membantu sistem berbeda menafsirkan informasi yang sama secara konsisten. Rekam medis digital yang luas merupakan titik awal, bukan bukti bahwa rekam medis sudah berpindah dengan andal antarinstansi.

Mengapa Korea menjadi kandidat, bukan lokasi penerapan yang sudah dipastikan

Dengan angka yang dikutip untuk 2023, 18 kunjungan rawat jalan per orang di Korea Selatan sekitar 2,8 kali rata-rata OECD sebesar 6,5. Bersama rekam medis elektronik yang luas dan asuransi kesehatan nasional untuk seluruh penduduk, tingginya volume tersebut menjadi alasan bagi para peneliti untuk menguji apakah dukungan layanan primer yang lebih baik dapat mengurangi perawatan yang terfragmentasi dan tekanan pada rumah sakit besar.

Meski demikian, para penulis mengidentifikasi sejumlah prasyarat penerapan yang belum terpenuhi: insentif yang selaras, dewan tata kelola, dan infrastruktur pemantauan pascapenerapan belum tersedia dalam skala luas. Usulan ini tidak mencantumkan tanggal pasti dimulainya uji coba, tenggat penerapan, ataupun komitmen pendanaan nasional.

Kronologi berikut memisahkan angka sistem kesehatan yang menjadi dasar dari penerbitan dan pengumuman makalah:

• 2023: Korea Selatan mencatat 18 kunjungan rawat jalan per orang, dibandingkan rata-rata OECD yang dikutip sebesar 6,5.
• 2 September 2026: Makalah perspektif diterbitkan secara daring di npj Health Systems, volume 3, artikel 80.
• 17 September 2026: Tim peneliti mengumumkan penerbitan makalah tersebut.

Para penulis menyatakan tidak memiliki kepentingan yang bersaing. Makalah mereka menguraikan agenda untuk menguji model layanan, bukan bukti bahwa Korea sudah menata ulang layanan kesehatan berdasarkan model tersebut.

Kerangka kerja ini juga mengusulkan penggunaan yang berbeda di tempat lain. Di kawasan perkotaan yang makmur, triase berbasis AI dan dokumen otomatis dapat mendukung klinik yang menghadapi permintaan tinggi terhadap layanan spesialis dan tekanan administratif. Di daerah pedesaan yang kekurangan dokter, perawat dan petugas kesehatan komunitas dapat menggunakan perangkat skrining portabel lalu merujuk pasien. Di zona konflik atau bencana, perangkat ringan yang dapat beroperasi tanpa akses internet dapat membantu mempertahankan layanan esensial.

Semua itu merupakan adaptasi yang diusulkan, bukan penerapan sistem secara menyeluruh yang telah dilaporkan. Tujuan umumnya adalah mengoptimalkan kapasitas klinis yang sudah ada, sembari memastikan skrining, rujukan, dan pemantauan tetap terhubung dengan layanan medis yang dapat dipertanggungjawabkan.

Poin Penting

• Peneliti Korea mengusulkan lapisan AI yang menghubungkan klinik layanan primer dengan rumah sakit spesialis, bukan kategori baru institusi medis.
• Makalah September 2026 tersebut merupakan perspektif yang merujuk pada sejumlah studi terpisah, bukan uji coba kerangka kerja secara menyeluruh.
• Penerapannya mencakup skrining, dokumentasi medis, deteksi penyakit yang lebih luas, dan perawatan di antara jadwal konsultasi.
• Hasil klinis berbeda-beda menurut tugasnya, dan manfaat dari program perawatan gabungan tidak dapat dikaitkan dengan AI saja.
• Tenaga medis tetap bertanggung jawab atas diagnosis, resep, dan keputusan perawatan.
• Korea Selatan diusulkan sebagai lokasi pengujian, tetapi tata kelola, insentif, dan pemantauan belum tersedia dalam skala luas.
• Belum ada pengumuman penerapan nasional atau tenggat uji coba yang dipastikan.