Transformasi Digital Kesehatan: Meningkatkan Perawatan Pasien Melalui AI dan Interoperabilitas

Jumlah dokter di Amerika Serikat menurun karena banyak dari mereka yang pensiun sementara jumlah pasien usia lanjut terus meningkat. Hal ini membuat waktu konsultasi dokter dengan pasien menjadi sangat singkat, hanya sekitar 13 menit per pertemuan. Kekurangan dokter ini menyebabkan tekanan besar pada sistem kesehatan agar tetap dapat melayani pasien dengan baik. Sistem kerja yang banyak dikelola oleh rumah sakit besar menghilangkan otonomi dokter dalam mengatur jadwal dan volume pasien. Administrasi pusat menetapkan template waktu untuk setiap pasien tanpa mempertimbangkan keragaman kompleksitas kasus yang dihadapi, sehingga jadwal menjadi kaku dan kadang tidak efisien. Struktur pembayaran dari Medicare, yang merupakan pembayar utama di AS, memberikan insentif agar dokter memprioritaskan jumlah pasien yang lebih banyak dengan kondisi medis yang lebih sederhana. Dokter mendapatkan tarif yang lebih tinggi berdasarkan jumlah kunjungan tingkat rendah dibandingkan perawatan kasus kompleks yang membutuhkan waktu lama. Misalnya, dokter dapat menangani tiga pasien tingkat kompleksitas rendah dalam waktu yang sama dengan satu pasien kasus bedah kompleks. Hal ini juga didukung oleh pembayaran rumah sakit yang jauh lebih besar dari prosedur sederhana yang dilakukan dengan cepat daripada dari prosedur sulit dan lama, sehingga organisasi kesehatan memilih lebih banyak prosedur berbiaya rendah agar untung lebih besar. Walaupun ada upaya legislatif untuk menambah jumlah dokter baru, seperti Resident Physician Shortage Reduction Act of 2025, reformasi besar dalam pelatihan dan sistem pembayaran masih diperlukan agar kualitas dan akses layanan kesehatan tidak terus menurun dan agar beban kerja dokter bisa diatasi secara berkelanjutan.

Saat pasien mengunjungi dokter untuk pertama kali, atau dirujuk ke spesialis, dokter perlu mendapatkan data riwayat medis yang lengkap dan terbaru agar bisa memberikan perawatan terbaik. Namun, informasi ini sering tersebar di berbagai sistem rekam medis elektronik (EHR) yang tidak saling terhubung, sehingga menyulitkan akses data yang dibutuhkan secara cepat. athenahealth adalah perusahaan teknologi kesehatan yang mengembangkan platform EHR berbasis cloud bernama athenaOne, yang memanfaatkan AI untuk mempermudah interoperabilitas data medis. Dengan fitur seperti ChartSync, sistem ini otomatis menarik dan menyelaraskan data penting dari berbagai sumber tanpa membebani dokter dalam prosesnya. Selain itu, athenaOne dilengkapi dengan alat pencarian cerdas dan chatbot bertenaga AI yang membantu dokter menemukan dan menganalisis data klinis pasien secara langsung dari berbagai jaringan pertukaran data kesehatan secara real-time, menggantikan metode lama yang memakan waktu. Kerjasama dengan asuransi kesehatan nasional juga memungkinkan deteksi dini kesenjangan dalam perawatan dan diagnosis pasien, sehingga dokter dapat melakukan perencanaan kunjungan pasien secara lebih efektif. Pendekatan ini membantu mengurangi waktu yang dihabiskan untuk mencari data dan meningkatkan kualitas perawatan. Dengan tingkat keamanan yang ketat dan kepatuhan terhadap standarisasi nasional seperti TEFCA, athenahealth memberikan akses data yang aman dan transparan bagi dokter dan pasien. Kedepannya, teknologi ini diperkirakan akan semakin memperkuat konektivitas data medis di seluruh Amerika Serikat.

Dokter saat ini menghadapi tekanan besar karena harus menangani banyak dokumen, tugas administratif, dan regulasi yang semakin kompleks, sehingga menyebabkan tingkat burnout yang tinggi. Pada awalnya, EHR diharapkan bisa membantu mengurangi pekerjaan administratif dan kesalahan medis, namun pada kenyataannya EHR tradisional malah menambah beban kerja dokter karena masih mengharuskan mereka mencari informasi dan mencatat secara manual. Namun, dengan kemajuan teknologi AI dan pembelajaran mesin, EHR mulai bertransformasi menjadi sistem yang lebih pintar. Contohnya, athenaOne memungkinkan otomatisasi alur kerja, memberi wawasan waktu nyata, dan mendukung pengambilan keputusan klinis, sehingga dokter bisa lebih fokus pada pasien daripada terkonsentrasi pada layar komputer dan dokumen. AI di EHR menggunakan teknologi seperti pemrosesan bahasa alami dan analitik prediktif untuk menyederhanakan dokumentasi klinis. Contohnya, AI dapat menyaring data penting dari chart pasien yang biasanya berantakan dan membingungkan, lalu merangkum informasi penting dan bahkan membuat draft catatan klinis untuk disetujui dokter. Pengimplementasian AI telah terbukti menghemat ribuan jam kerja staf rumah sakit dengan mengotomatisasi proses seperti pengujian laboratorium dan pengiriman hasil secara digital. Waktu yang dikembalikan ini kemudian bisa digunakan untuk meningkatkan interaksi dokter dengan pasien dan mengurangi waktu kerja diluar jam kantor sehingga mengurangi tekanan pada dokter. Meski ada kekhawatiran tentang kompleksitas dan hasil AI yang mungkin tak sesuai harapan, semakin banyak dokter yang melihat manfaat teknologi ini. Keberhasilan AI dalam kesehatan tergantung pada penerapan yang transparan, aman sesuai regulasi, dan yang paling penting adalah memberikan manfaat nyata bagi dokter dan pasien untuk mengatasi masalah burnout yang mengancam profesi kedokteran.

Di dunia layanan kesehatan, penggunaan AI untuk coding adalah sebuah perubahan besar. Namun, kecepatan yang dihasilkan AI saja tidak cukup untuk memberikan keuntungan yang signifikan. Organisasi yang berhasil menggunakan AI coding fokus pada pengurangan pekerjaan berulang dan meningkatkan efisiensi coder. Banyak tim revenue cycle menggunakan AI coding sambil tetap melakukan review manual untuk kasus yang kompleks dan edge cases. Pendekatan ini membantu mereka meningkatkan produktivitas hingga 30% karena coder hanya menangani pengecualian, bukan semua data yang masuk. Fondasi penting bagi keberhasilan AI coding adalah aturan pembayar yang tertanam dalam alur kerja, standar dokumentasi yang jelas, dan prosedur eskalasi yang terdefinisi untuk kasus yang rumit. Hal ini memastikan hasil coding yang lebih akurat dan mengurangi risiko penolakan klaim. Kerjasama antara coder, tim compliance, dan keuangan dengan AI memungkinkan pengawasan yang transparan. Coding AI memperluas kapasitas dengan menangani kasus yang sederhana, sementara manusia fokus pada keputusan yang memerlukan keahlian dan pengawasan khusus. Pemimpin kesehatan yang sukses berfokus pada eksekusi yang sistematis dengan menetapkan tujuan yang jelas, membangun fondasi yang kuat, dan mengukur hasil secara konsisten sebelum memperluas penggunaan AI coding. Pendekatan ini membuka jalan bagi siklus pendapatan yang lebih efisien dan berkelanjutan.

Kecerdasan buatan (AI) dalam kesehatan tidak hanya tentang robot dokter masa depan seperti dalam film, tetapi sudah nyata hadir dalam kehidupan sehari-hari melalui aplikasi dan perangkat yang digunakan banyak orang. Sekitar satu dari tiga orang Amerika kini memakai berbagai teknologi berbasis AI untuk membantu mengelola aspek kesehatan mereka, mulai dari mental hingga pengawasan penyakit kronis seperti diabetes. Contohnya, aplikasi kesehatan mental yang menggunakan chatbot dengan pendekatan terapi perilaku kognitif (CBT) telah menunjukkan hasil yang menjanjikan dalam mengurangi gejala depresi. Aplikasi ini tidak menggantikan terapis, tapi memberikan akses lebih mudah dan nyaman bagi mereka yang membutuhkan dukungan emosional, termasuk saat profesional kesehatan tidak tersedia. Selain itu, wearable seperti Apple Watch dan Fitbit telah terbukti mampu mendeteksi masalah kesehatan serius seperti fibrilasi atrium dengan tingkat akurasi tinggi, membuka peluang untuk pencegahan stroke melalui deteksi dini. Perangkat juga mulai digunakan untuk menilai kualitas tidur, aktivitas fisik, dan keselamatan seperti deteksi jatuh, memperkuat kemandirian penggunanya di rumah. Di sisi lain, alat bantu yang mengubah cara pasien memahami instruksi medis dan hasil laboratorium menunjukkan potensi besar AI dalam meningkatkan literasi kesehatan. Dengan bahasa yang lebih mudah dimengerti, pasien bisa mengikuti pengobatan dengan lebih baik dan mengurangi kecemasan terhadap data medis mereka. Meski begitu, tantangan utama AI dalam kesehatan adalah integrasi ke dalam sistem perawatan agar data dan alat ini tidak hanya bermanfaat bagi pengguna tapi juga dapat dimanfaatkan oleh penyedia layanan untuk mendukung pengambilan keputusan klinis. Dengan perkembangan teknologi dan adopsi secara luas, AI berpotensi merevolusi cara kita mengakses dan mengelola kesehatan.