Inovasi Digital dan Teknologi Kesehatan Reproduksi Masa Depan

DESKRIPSI MODUL

Dua tahun setelah sistem digital KIA Kabupaten Kolaka Utara mulai berjalan

dr. Nindi menerima tawaran yang tidak ia antisipasi: sebuah perusahaan healthtech dari Jakarta menghubunginya dengan proposal kemitraan. Mereka mengembangkan aplikasi berbasis kecerdasan buatan yang mengklaim dapat memprediksi risiko eklamsia dengan akurasi 87% hanya dari foto selfie ibu hamil yang dianalisis menggunakan algoritma computer vision — mendeteksi edema wajah, perubahan warna kulit, dan tanda-tanda lain yang tidak terlihat oleh mata manusia biasa.

"Akurasi 87%," pikir dr. Nindi. "Lebih tinggi dari skor risiko KSPR yang selama ini digunakan bidan."

"Tetapi kemudian ia membaca lebih lanjut: algoritma ini dilatih pada dataset 50.000 foto dari ibu hamil di Jawa dan Bali. Tidak ada data dari Sulawesi Tenggara. Tidak ada data dari populasi dengan karakteristik genetik yang berbeda. Tidak ada uji klinis yang dilakukan di setting rural dengan keterbatasan konfirmasi diagnosis. Dan akurasi 87% itu — dihitung pada dataset uji yang juga berasal dari Jawa dan Bali."

"Apakah 87% itu bermakna untuk ibu hamil di Kecamatan Pakue Utara?"

Di saat yang sama, di sebuah klinik swasta di Makassar

seorang dokter muda menggunakan aplikasi AI yang sama — dan mengabaikan tanda klinis yang jelas pada pasiennya karena aplikasi mengatakan risiko rendah. Pasien itu kemudian masuk ICU dengan eklamsia berat dua hari kemudian.

Dua skenario ini menggambarkan paradoks inovasi digital dalam kesehatan: teknologi yang menjanjikan dapat mengubah cara kita mendeteksi dan mencegah komplikasi obstetri — tetapi juga dapat menciptakan bahaya baru jika diterapkan tanpa pemahaman kritis tentang batasannya. Modul ini membuka Sesi 2 dengan membangun kerangka evaluasi kritis terhadap inovasi digital dalam kesehatan reproduksi — dari kecerdasan buatan hingga wearable technology, dari big data hingga precision medicine.

Evaluasi Kritis Inovasi Digital: Potensi × Risiko × Konteks = Keputusan yang Bertanggung Jawab
Setiap teknologi harus menjawab: untuk siapa, dalam kondisi apa, dan dengan bukti apa?

CAPAIAN PEMBELAJARAN MODUL

Setelah menyelesaikan modul ini, peserta didik mampu:

1 Mengidentifikasi dan menjelaskan kategori inovasi digital yang relevan untuk kesehatan reproduksi beserta potensi dan risikonya
2 Mengevaluasi secara kritis klaim efektivitas teknologi kesehatan digital menggunakan kerangka evaluasi yang terstruktur
3 Menganalisis isu bias algoritmik dan generalisabilitas dalam aplikasi kecerdasan buatan untuk obstetri
4 Menilai implikasi etis penerapan teknologi digital dalam pelayanan kesehatan reproduksi
5 Merancang pendekatan adopsi teknologi digital yang bertanggung jawab untuk konteks layanan KIA di Indonesia

MATERI INTI

C.1. Lanskap Inovasi Digital dalam Kesehatan Reproduksi

C.1.1. Kategori Inovasi Digital yang Relevan

1. Kecerdasan Buatan (AI) & Machine Learning

Aplikasi dalam KIA:

Prediksi risiko komplikasi obstetri (PEB, perdarahan, persalinan prematur)
Interpretasi USG berbantuan AI: pengukuran biometri janin, deteksi anomali kongenital
Analisis CTG otomatis untuk deteksi gawat janin
NLP untuk ekstraksi data klinis dari rekam medis naratif
Computer vision untuk skrining lesi serviks via kolposkopi/IVA

Contoh Nyata:
• Butterfly iQ: USG portable berbasis smartphone dengan AI guidance
• AI-assisted CTG interpretation (FDA clearance)
• CervAI: AI untuk skrining kanker serviks dari gambar serviks

2. Mobile Health (mHealth)

Aplikasi dalam KIA:

Aplikasi pemantauan ibu hamil: reminder ANC, tracking gejala, edukasi
SMS/WhatsApp reminders untuk kunjungan ANC dan imunisasi
Platform konsultasi jarak jauh berbasis smartphone
Aplikasi self-monitoring: tekanan darah, gerakan janin, berat badan

Yang Sudah Ada di Indonesia:
• Aplikasi Primaku (anak)
• Berbagai aplikasi ANC dari Dinkes provinsi
• Platform konsultasi dokter online (Alodokter, Halodoc)

3. Wearable Technology & Remote Monitoring

Aplikasi dalam KIA:

Smartwatch memantau denyut jantung dan saturasi oksigen — deteksi tanda awal preeklampsia
Patch sensor kulit untuk monitoring kontraksi (alternative to CTG)
Blood pressure cuff pintar yang mengirim data langsung ke Puskesmas
Fetal Doppler portable berbasis smartphone

Konteks Implementasi: Di Indonesia, wearable untuk KIA masih dalam tahap riset dan pilot — belum adopsi rutin. Keterjangkauan dan literasi digital ibu hamil adalah hambatan utama.

4. Big Data & Analitik Populasi

Aplikasi dalam KIA:

Analisis data klaim BPJS untuk mengidentifikasi pola komplikasi dan faktor risiko di level populasi
Penggunaan data media sosial untuk surveillance kesehatan
Linkage data lintas sektor: data kesehatan + kependudukan + kemiskinan untuk targeting intervensi

Tantangan Khusus: Data BPJS tidak dirancang untuk penelitian; privasi dan etika penggunaan data media sosial sangat kompleks; kapasitas analitik untuk big data belum ada di tingkat kabupaten.

C.1.2. Tahapan Kematangan Teknologi

Technology Readiness Level (TRL) dalam Konteks Kesehatan

1-3

Riset Dasar

Konsep terbukti dalam laboratorium atau simulasi. Belum ada uji klinis.

4-6

Pengembangan & Validasi

Uji klinis awal dalam kondisi terkontrol. Belum tentu generalizable ke setting nyata.

7-8

Demonstrasi & Kualifikasi

Uji dalam kondisi operasional nyata. Mendapat regulatory clearance (FDA, CE Mark, atau izin Kemenkes).

Operasional Penuh

Terbukti efektif dalam penggunaan rutin skala besar. Safety dan efficacy sudah terdokumentasi untuk populasi target.

Masalah Umum di Pasar Healthtech

Banyak produk dipasarkan seolah berada di TRL 9 tetapi sesungguhnya masih di TRL 5–6
Klaim akurasi tinggi dari dataset yang tidak representatif
Belum ada uji randomized controlled trial yang menunjukkan perbaikan outcome (bukan hanya akurasi diagnostik)
Belum ada data tentang implementasi di setting dengan keterbatasan yang berbeda dari tempat pengembangan

Implikasi untuk Konsultan Obginsos:

Selalu tanyakan: di mana teknologi ini berada dalam TRL?
Bedakan: akurasi diagnostik vs perbaikan outcome klinis
Tuntut: uji implementasi dalam setting yang comparable dengan konteks Anda

C.2. Kecerdasan Buatan dalam Obstetri: Potensi dan Risiko

C.2.1. Bagaimana AI Bekerja dalam Konteks Klinis

Konsep Dasar AI/ML yang Perlu Dipahami Konsultan Obginsos:

Supervised Learning: Algoritma "belajar" dari data berlabel: pasien dengan data X → outcome Y. Contoh: 50.000 foto ibu hamil berlabel "eklamsia/tidak" → algoritma belajar pola yang membedakan keduanya. Kualitas learning bergantung mutlak pada kualitas dan representativitas data latih (training data).

Metrik Performa AI yang Harus Dipahami

Accuracy (Akurasi)

Proporsi prediksi benar / seluruh prediksi

Menyesatkan jika outcome tidak seimbang: jika 95% pasien tidak eklamsia, algoritma yang selalu memprediksi "tidak eklamsia" memiliki akurasi 95% tetapi sama sekali tidak berguna.

Sensitivity (Recall)

TP / (TP + FN)

Dari semua kasus yang sesungguhnya positif (eklamsia), berapa persen yang benar terdeteksi? Sensitisivitas rendah = banyak yang terlewat (false negative). Dalam KIA: sensitivitas LEBIH PENTING dari spesifisitas karena miss kasus kritis lebih berbahaya dari false alarm.

Specificity (Spesifisitas)

TN / (TN + FP)

Dari semua kasus yang sesungguhnya negatif, berapa persen yang benar diklasifikasikan negatif? Spesifisitas rendah = banyak false positive yang membebani sistem.

Positive Predictive Value (PPV)

TP / (TP + FP)

Dari semua prediksi positif algoritma, berapa yang benar-benar positif? Sangat bergantung pada prevalensi: PPV akan jauh lebih rendah ketika diaplikasikan di populasi dengan prevalensi rendah dibanding populasi tinggi.

Implikasi untuk Kasus dr. Nindi

Akurasi 87% pada dataset Jawa-Bali TIDAK BERARTI:

Sensitivitas 87% untuk populasi Sulawesi Tenggara
PPV yang sama ketika prevalensi eklamsia berbeda
Performa yang sama di kondisi foto dengan pencahayaan terbatas di Puskesmas terpencil
Kegunaan klinis yang sama untuk operator yang berbeda tingkat pelatihannya

C.2.2. Bias Algoritmik: Ancaman yang Sering Tidak Terlihat

Definisi: Ketika sistem AI menghasilkan prediksi yang secara sistematis lebih tidak akurat untuk kelompok tertentu dibanding kelompok lain — biasanya karena kelompok tersebut kurang terwakili atau tidak terwakili dalam data latih.

Bias Geografis/Populasi

Algoritma dilatih di populasi urban Jawa
Diaplikasikan di populasi rural Sulawesi/Papua
Perbedaan: karakteristik genetik, diet, prevalensi kondisi komorbid, kualitas foto, kondisi pencahayaan
Akurasi pada populasi target bisa jauh lebih rendah

Bias Sosio-Ekonomi

Dataset yang dikumpulkan dari klinik swasta atau RS tersier tidak mencerminkan populasi miskin
Populasi miskin lebih jarang ANC dan memiliki kondisi kesehatan baseline yang berbeda

Bias Gender dalam Penelitian

Sebagian besar riset medis historis dilakukan pada pria
Untuk kondisi kardiovaskular misalnya, presentasi pada perempuan sering berbeda
AI yang dilatih dari data penelitian historis mewarisi bias ini

Automation Bias

Kecenderungan manusia untuk terlalu mempercayai rekomendasi sistem otomatis
Dokter yang mengabaikan tanda klinis yang jelas karena "AI mengatakan risiko rendah"
Risiko yang meningkat seiring meningkatnya kepercayaan pengguna pada teknologi

Contoh Bias yang Terdokumentasi dalam Literatur

Studi NEJM 2019 (Obermeyer et al.): Algoritma yang digunakan di 200+ RS di AS untuk mengidentifikasi pasien yang butuh layanan kompleks secara sistematis meremehkan kebutuhan pasien kulit hitam — karena menggunakan biaya perawatan (bukan keparahan penyakit) sebagai proxy, dan pasien kulit hitam secara historis mendapat lebih sedikit layanan
Studi Lancet Digital Health 2021: AI untuk deteksi retinopati diabetik menunjukkan performa lebih rendah pada gambar dari kamera kualitas rendah yang umum digunakan di LMIC dibanding kamera high-end yang digunakan dalam training data

C.2.3. Kerangka Evaluasi Kritis Teknologi AI untuk KIA

Pertanyaan 1 — Data Latih

Dari mana data latih berasal? Apakah populasinya comparable dengan populasi target?
Berapa ukuran dataset? Apakah cukup untuk menangkap variabilitas yang ada?
Bagaimana label/ground truth ditentukan? Siapa yang memverifikasi diagnosis?

Pertanyaan 2 — Validasi

Apakah ada external validation pada populasi yang independen dari data latih?
Apakah ada validasi pada populasi yang mirip dengan konteks implementasi?
Apakah performa dilaporkan terpisah untuk subgrup yang relevan (usia gestasi, paritas, komorbiditas)?

Pertanyaan 3 — Outcome Klinis

Apakah hanya ada bukti tentang akurasi diagnostik (biomarker/prediksi)?
ATAU apakah ada bukti bahwa penggunaan teknologi ini menghasilkan perbaikan outcome klinis nyata (penurunan kematian, penurunan komplikasi)?
Perbedaan ini KRITIS: akurasi tinggi tidak otomatis berarti perbaikan outcome

Pertanyaan 4 — Keamanan

Apa yang terjadi jika sistem gagal atau tidak tersedia?
Apakah workflow klinis dapat berjalan tanpa teknologi ini?
Apakah ada safeguard terhadap automation bias?

Pertanyaan 5 — Implementasi

Apakah ada studi implementasi di setting yang comparable?
Apa beban kerja tambahan yang ditimbulkan untuk pengguna?
Berapa biaya total (bukan hanya harga produk tetapi pelatihan, maintenance, infrastruktur)?

Pertanyaan 6 — Ekuitas

Apakah teknologi ini bekerja sama baiknya untuk semua subgrup dalam populasi target?
Apakah harganya accessible untuk semua yang membutuhkan?
Apakah ia mengurangi atau memperlebar disparitas yang sudah ada?

C.3. mHealth dan Teknologi Mobile untuk KIA

C.3.1. Bukti Efektivitas mHealth dalam KIA

Apa yang Sudah Terbukti

Reminder via SMS/Pesan:

Meta-analisis 2020 (Sondaal et al.): SMS reminders meningkatkan kehadiran ANC di LMIC secara konsisten (RR 1,16–1,35)
Efek terbesar pada: ibu dengan pendidikan rendah, tinggal jauh dari fasilitas
Paling cost-effective dari seluruh intervensi mHealth untuk KIA

Mobile-Based Skill Support untuk Bidan:

Job aids digital di smartphone meningkatkan kepatuhan terhadap protokol klinis
Contoh: Laerdal PRONTO simulation dan aplikasi decision support untuk manajemen perdarahan postpartum
Efek lebih besar di setting dengan supervisi langsung yang terbatas

Apa yang Belum Terbukti (atau Bukti Lemah)

Aplikasi Self-Monitoring untuk Ibu Hamil Risiko Tinggi: Bukti masih terbatas — sebagian besar studi menunjukkan peningkatan engagement tetapi belum ada bukti perbaikan outcome kematian
AI Chatbot untuk Konseling Kesehatan Reproduksi: Studi pilot menjanjikan tetapi belum ada RCT berkualitas tinggi dengan outcome klinis
Gamifikasi untuk Kepatuhan ANC: Studi pilot positif tetapi efek mungkin tidak bertahan jangka panjang

Faktor yang Menentukan Keberhasilan mHealth

Kepemilikan & Akses Perangkat

Tidak semua ibu hamil memiliki smartphone — atau jika punya, digunakan bersama dengan anggota keluarga lain

Literasi Digital

Aplikasi yang terlalu kompleks tidak digunakan — desain untuk literasi rendah adalah prasyarat

Koneksi Data

Aplikasi yang memerlukan data terus-menerus tidak cocok untuk daerah dengan konektivitas terbatas

Konteks Sosial

Di beberapa konteks, penggunaan smartphone oleh perempuan hamil dibatasi oleh pasangan atau keluarga

Integrasi dengan Pelayanan

mHealth yang tidak terhubung dengan sistem pelayanan nyata sering menjadi "alat tambahan" yang tidak mengubah perilaku

C.3.2. Desain mHealth yang Bertanggung Jawab

1. Human-Centered Design

Libatkan pengguna akhir (ibu hamil, bidan) dalam proses desain — bukan setelah produk selesai. Uji usability dengan populasi yang sesungguhnya akan menggunakan, termasuk yang memiliki literasi digital rendah

2. Minimal Viable Product

Mulai dengan fungsi paling esensial yang terbukti berguna. Tambahkan fitur berdasarkan feedback pengguna nyata. Hindari "feature creep" yang membuat aplikasi kompleks tetapi tidak digunakan

3. Offline Capability

Fungsi inti harus tersedia tanpa internet. Sinkronisasi ketika koneksi tersedia

4. Privacy by Design

Kumpulkan hanya data yang benar-benar diperlukan. Enkripsi data sensitif sejak input. Berikan pengguna kontrol atas data mereka

5. Sustainability Planning

Sejak awal: siapa yang membiayai dan memelihara sistem ini setelah proyek percontohan selesai? Tanpa sustainability plan, banyak mHealth yang sukses dalam pilot kemudian ditinggalkan

6. Tidak Menggantikan Tetapi Melengkapi

mHealth untuk mendukung kunjungan ANC — bukan menggantikannya. Risiko: jika mHealth dianggap "cukup" sehingga kunjungan tatap muka dikurangi, outcome bisa memburuk

C.4. Precision Medicine dan Genomik dalam Kesehatan Reproduksi

C.4.1. Potensi dan Relevansi untuk Konteks Indonesia

Definisi: Pendekatan yang menyesuaikan pencegahan, diagnosis, dan terapi berdasarkan karakteristik biologis individual — termasuk genetik, epigenetik, mikrobiom, dan faktor lingkungan.

Aplikasi yang Sudah Ada

Non-Invasive Prenatal Testing (NIPT): Analisis cell-free fetal DNA dari darah ibu untuk deteksi aneuploidies (Down syndrome, trisomi 18, 13). Sensitivitas >99% untuk trisomi 21. Tersedia di Indonesia di klinik swasta perkotaan. Harga: Rp 3–8 juta — belum masuk JKN
Farmakogenetik dalam Obstetri: Variasi genetik mempengaruhi metabolisme obat-obatan yang digunakan dalam KIA: MgSO4, oksitosin, anestesi. Masih dalam penelitian untuk aplikasi klinis rutin
Prediksi Risiko Genetik untuk Preeklampsia: Identifikasi varian genetik yang meningkatkan risiko PEB. Masih dalam penelitian — belum siap untuk implementasi klinis rutin

Realisme untuk Konteks Indonesia

Precision medicine dalam KIA yang relevan untuk MAYORITAS populasi Indonesia (2024–2030):

Realistis

• NIPT untuk populasi risiko tinggi di perkotaan
• Skrining carrier untuk kondisi genetik tinggi prevalensi di populasi tertentu (thalassemia di beberapa etnik)
• Farmakogenetik untuk obat kritis dengan variabilitas respons tinggi

Tidak Realistis Jangka Pendek

• Genomic profiling rutin untuk semua ibu hamil
• AI berbasis genomik untuk prediksi komplikasi individual di fasilitas primer

Implikasi Ekuitas

Precision medicine berpotensi memperlebar disparitas jika:

Hanya accessible untuk yang mampu membayar
Divalidasi hanya untuk populasi tertentu — tidak akurat untuk populasi yang kurang terwakili dalam database genomik global (mayoritas database genomik saat ini dari populasi Eropa dan Asia Timur)

C.5. Adopsi Teknologi yang Bertanggung Jawab

C.5.1. Kerangka Evaluasi untuk Pengambil Keputusan

Identifikasi Masalah

Teknologi apa yang sedang dipertimbangkan? Masalah klinis atau sistem apa yang ingin diselesaikan? Apakah masalah ini cukup penting dan cukup sering terjadi untuk layak mendapat investasi teknologi?

Evaluasi Bukti

Gunakan kerangka 6 pertanyaan yang sudah dibahas. Cari bukti dari setting yang comparable. Bedakan klaim marketing dari bukti ilmiah.

Analisis Konteks Lokal

Apakah infrastruktur mendukung? (listrik, internet, perangkat). Apakah kapasitas SDM tersedia untuk implementasi dan maintenance? Apakah populasi target memiliki literasi dan akses yang diperlukan?

Analisis Risiko

Apa risiko jika teknologi tidak bekerja seperti yang dijanjikan? Apa risiko automation bias? Apa risiko jika sistem down pada momen kritis? Apa risiko terhadap privasi data pasien?

Analisis Biaya-Manfaat

Biaya total: pembelian + pelatihan + maintenance + infrastruktur. Manfaat yang realistis (bukan klaim optimal dari kondisi ideal). Apakah ada intervensi lain dengan cost-effectiveness lebih baik untuk masalah yang sama?

Pilot Sebelum Scale-Up

Tidak pernah langsung implementasi skala penuh tanpa pilot yang terstruktur. Pilot harus: memiliki indikator keberhasilan yang jelas, durasi yang cukup untuk melihat dampak, dan mekanisme evaluasi yang independen.

Keputusan dr. Nindi

Berdasarkan kerangka ini, dr. Nindi seharusnya:

TIDAK menolak teknologi begitu saja hanya karena "belum pernah digunakan"
TIDAK menerima teknologi begitu saja karena "akurasi 87% terdengar bagus"
TETAPI: meminta data validasi pada populasi comparable, melakukan pilot terstruktur di 2–3 Puskesmas selama 6 bulan dengan indikator yang jelas, dan mengevaluasi sebelum memutuskan skala penuh

C.5.2. Peran Konsultan Obginsos sebagai Evaluator Kritis Inovasi

Mengapa Konsultan Obginsos Harus Menjadi Evaluator Kritis

Posisi Unik:

Memahami konteks klinis dan kebutuhan nyata — tidak mudah dibodohi oleh klaim teknis yang tidak relevan secara klinis
Memahami konteks sistem kesehatan — tahu hambatan implementasi yang tidak terlihat dari luar
Memiliki wewenang untuk merekomendasikan atau menolak adopsi teknologi di wilayah kerjanya

Risiko yang Harus Diantisipasi

Conflicts of Interest: Perusahaan healthtech sering menawarkan insentif kepada tenaga kesehatan untuk mempromosikan produk. Kewajiban etis: transparansi tentang hubungan dengan industri; tidak merekomendasikan teknologi berdasarkan insentif personal
Hype vs Evidence: Media dan komunitas kesehatan sering terlalu antusias terhadap inovasi baru sebelum bukti yang cukup tersedia. Peran konsultan: menjaga standar bukti yang sama untuk teknologi baru seperti untuk intervensi klinis lainnya
Ketinggalan Inovasi yang Nyata: Skeptisisme yang berlebihan juga berbahaya — ada teknologi yang terbukti efektif tetapi lambat diadopsi karena resistensi tanpa dasar. Keseimbangan: terbuka pada inovasi yang terbukti, kritis terhadap yang belum

Prinsip Penutup Modul 6

Inovasi digital dalam kesehatan reproduksi bukan tentang memilih antara "tradisional" dan "modern" — tetapi tentang memastikan bahwa setiap teknologi yang diadopsi benar-benar melayani ibu dan bayi, bukan sekadar terlihat inovatif.

Konsultan Obginsos yang mampu mengevaluasi teknologi secara kritis — memahami cara kerja AI, bias yang mungkin ada, dan batas generalisasi klaim efektivitas — adalah gatekeeper yang tidak tergantikan dalam ekosistem inovasi kesehatan yang bergerak sangat cepat.

PERTANYAAN DISKUSI

Pertanyaan 1: Analisis Automation Bias dalam Praktik Klinis Kasus dokter di Makassar yang mengabaikan tanda klinis eklamsia yang jelas karena "AI mengatakan risiko rendah" menggambarkan fenomena automation bias. Analisis kasus ini secara mendalam: (a) dari perspektif psikologi kognitif, mengapa automation bias terjadi bahkan pada klinisi yang terlatih dan kompeten? Apa kondisi-kondisi yang membuat seseorang lebih atau kurang rentan terhadap automation bias — dan bagaimana kondisi pelayanan obstetri di Indonesia (beban kerja tinggi, sumber daya terbatas, tekanan waktu) berinteraksi dengan risiko ini? (b) siapa yang bertanggung jawab secara medikolegal jika terjadi adverse outcome akibat keputusan klinis yang dipengaruhi oleh rekomendasi AI yang salah — dokter yang mengikuti rekomendasi, perusahaan yang mengembangkan AI, atau fasilitas yang mengizinkan penggunaannya? Bangun argumen Anda berdasarkan prinsip hukum kesehatan yang berlaku di Indonesia; (c) rancang satu mekanisme safeguard spesifik yang dapat diintegrasikan ke dalam workflow klinis obstetri untuk mengurangi risiko automation bias tanpa mengurangi manfaat potensial dari teknologi AI.

Pertanyaan 2: Evaluasi Kritis Proposal Healthtech Sebuah perusahaan healthtech menawarkan aplikasi AI untuk prediksi risiko persalinan prematur kepada Dinkes Kabupaten Kolaka Utara. Klaim mereka: akurasi 91%, sudah digunakan di 50 RS di Asia, dan dapat mengurangi persalinan prematur hingga 23%. Investasi yang diperlukan: Rp 1,2 miliar untuk 3 tahun (termasuk pelatihan dan maintenance). Sebagai konsultan Obginsos, Anda diminta memberikan rekomendasi kepada Kepala Dinkes. Gunakan kerangka 6 pertanyaan evaluasi dari Modul 6 untuk: (a) identifikasikan informasi tambahan apa yang WAJIB Anda dapatkan sebelum dapat memberikan rekomendasi — susun sebagai daftar pertanyaan spesifik yang akan Anda ajukan kepada perusahaan; (b) dengan anggaran yang sama (Rp 1,2 miliar untuk 3 tahun), identifikasikan minimal dua alternatif intervensi non-digital yang mungkin memiliki cost-effectiveness lebih baik untuk penurunan persalinan prematur di konteks Kolaka Utara — berikan justifikasi berbasis bukti; (c) bagaimana Anda akan merespons jika Kepala Dinkes sudah sangat antusias dengan teknologi ini dan cenderung mengabaikan pertanyaan kritis Anda — apa strategi komunikasi yang tepat untuk menyampaikan keberatan yang legitimate tanpa merusak hubungan kerja?

RANGKUMAN

Inovasi digital dalam kesehatan reproduksi mencakup empat kategori utama yang saling melengkapi — kecerdasan buatan, mobile health, wearable technology, dan big data — masing-masing dengan profil potensi dan risiko yang berbeda, dan berada pada tahapan kematangan teknologi yang sangat bervariasi yang harus dipahami sebelum keputusan adopsi dibuat
Kecerdasan buatan dalam obstetri menawarkan potensi yang nyata untuk meningkatkan akurasi diagnostik dan prediksi risiko, namun klaim efektivitasnya harus dievaluasi kritis menggunakan metrik yang tepat — sensitivitas dan PPV lebih relevan dari akurasi untuk kondisi yang jarang, dan bukti perbaikan outcome klinis jauh lebih bermakna dari sekedar bukti akurasi diagnostik
Bias algoritmik adalah ancaman sistematis yang sering tidak terlihat: algoritma yang dilatih pada populasi tertentu dapat menghasilkan prediksi yang tidak akurat bahkan berbahaya ketika diaplikasikan pada populasi yang berbeda secara genetik, geografis, atau sosio-ekonomi — dan automation bias, yaitu kecenderungan klinisi untuk terlalu mempercayai rekomendasi sistem otomatis, dapat mengubah teknologi yang tidak sempurna menjadi sumber bahaya aktif
mHealth berbasis SMS dan pesan terbukti efektif untuk meningkatkan kehadiran ANC dan kepatuhan protokol klinis tenaga kesehatan di LMIC, namun efektivitasnya sangat bergantung pada kepemilikan perangkat, literasi digital, konektivitas, dan — yang paling sering diabaikan — keberlanjutan pembiayaan dan dukungan teknis setelah fase pilot selesai
Konsultan Obginsos sebagai evaluator kritis inovasi digital memiliki tanggung jawab ganda yang tidak dapat didelegasikan: memastikan bahwa teknologi yang diadopsi benar-benar terbukti efektif untuk populasi target dan feasibel dalam konteks setempat, sekaligus memastikan bahwa resistensi terhadap inovasi tidak didasarkan pada keengganan berubah tetapi pada evaluasi bukti yang jujur dan sistematis

REFERENSI

Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine. 2019;25(1):44–56. https://doi.org/10.1038/s41591-018-0300-7
Obermeyer Z, Powers B, Vogeli C, Mullainathan S. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019;366(6464):447–453. https://doi.org/10.1126/science.aax2342
Sondaal SFV, Browne JL, Amoakoh-Coleman M, et al. Assessing the effect of mHealth interventions in improving maternal and neonatal care in low- and middle-income countries: a systematic review. PLOS ONE. 2016;11(5):e0154664. https://doi.org/10.1371/journal.pone.0154664
Larson DB, Magnus DC, Lungren MP, et al. Ethics of using and sharing clinical imaging data for artificial intelligence: a proposed framework. Radiology. 2020;295(3):675–682. https://doi.org/10.1148/radiol.2020192536
Wiens J, Saria S, Sendak M, et al. Do no harm: a roadmap for responsible machine learning for health care. Nature Medicine. 2019;25(9):1337–1340. https://doi.org/10.1038/s41591-019-0548-6
Celi LA, Cellini J, Charpignon ML, et al. Sources of bias in artificial intelligence that perpetuate healthcare disparities — a global review. PLOS Digital Health. 2022;1(3):e0000022. https://doi.org/10.1371/journal.pdig.0000022
Kruk ME, Gage AD, Arsenault C, et al. High-quality health systems in the Sustainable Development Goals era: time for a revolution. The Lancet Global Health. 2018;6(11):e1196–e1252. https://doi.org/10.1016/S2214-109X(18)30386-3
Kementerian Kesehatan RI. Roadmap Transformasi Digital Kesehatan 2021–2024. Jakarta: Kemenkes RI; 2021. https://www.kemkes.go.id
World Health Organization. Ethics and Governance of Artificial Intelligence for Health: WHO Guidance. Geneva: WHO; 2021. https://www.who.int/publications/i/item/9789240029200
Shaw D, Elger BS, Colledge F. What is a biobank? Differing definitions among biobank stakeholders. Clinical Genetics. 2014;85(3):223–227. https://doi.org/10.1111/cge.12268