AI Berbasis Agen dalam Layanan Kesehatan: Apa yang Terjadi Saat Agen AI Saling Berdebat

Sebuah sistem AI multi-agen baru-baru ini berhasil mendiagnosis kasus medis langka dengan akurasi lebih dari 80% dari keseluruhan kasus. Angka ini empat kali lebih baik dibandingkan kinerja dokter berpengalaman. Keberhasilan itu bukan karena sistem tersebut lebih cerdas daripada satu model AI mana pun. Hal itu tercapai karena sejumlah agen saling berdebat hingga kesalahan-kesalahan berhasil terdeteksi.

Enam bulan lalu, kecerdasan buatan masih memainkan peran pasif dalam layanan kesehatan. Dulu AI mengikuti rapat, menyimak pembahasan, dan merangkum catatan klinis. Teknologi ini memang bermanfaat, tetapi kemampuannya masih terbatas. Kini, sistem AI berbasis agen dapat mengambil rekam medis pasien, menjalankan model diagnostik, mengoordinasikan rencana perawatan lintas departemen, dan menguji penalaran satu sama lain, semuanya tanpa harus menunggu manusia memulai setiap langkah..

Dalam salah satu episode serial Code to Care, Don Woodlock berbincang dengan Dr. Peter Lee untuk mengupas arah perkembangan AI berbasis agen dalam layanan kesehatan. Mereka membahas:

1. Kerangka kerja konkret untuk memahami karakteristik yang menjadikan AI benar-benar “berbasis agen”.
2. Sistem nyata yang sudah beroperasi di lingkungan klinis
3. Dan sebuah wawasan mengenai kolaborasi multi-agen yang sama sekali luput dari sebagian besar pemberitaan mengenai teknologi ini.

Baik Anda sedang mengevaluasi penggunaan AI berbasis agen untuk sistem layanan kesehatan maupun ingin membedakan substansi dari sekadar sensasi, uraian berikut menyajikan pembahasan praktis tentang kemampuan nyata teknologi ini, penerapannya yang telah membuahkan hasil, serta hal-hal yang perlu dipersiapkan organisasi sebelum melakukan deploy.

AI konvensional merespons prompt satu per satu, tanpa menyimpan memori antarsesi, tanpa izin untuk bertindak pada sistem eksternal, dan tanpa kemampuan mengubah sesuatu di dunia nyata.

AI berbasis agen secara mendasar berbeda. Sistem cerdas ini dapat mengamati, mengambil keputusan, dan bertindak, sering kali secara mandiri, dalam lingkungan layanan kesehatan.

Peter Lee membagi AI berbasis agen menjadi empat komponen. Kerangka ini dapat digunakan sebagai daftar periksa praktis untuk menilai apakah suatu sistem benar-benar berbasis agen atau sekadar diberi label demikian.

AI generasi awal memulai setiap interaksi dari keadaan kosong. Sistem berbasis agen dapat menyimpan konteks episodik. AI tersebut mengingat alergi penisilin pasien ini, hasil pembahasan tim tumor tiga minggu lalu, serta temuan yang ditandai oleh ahli radiologi berdasarkan riwayat medis pasien. Konteks tetap tersimpan di seluruh sesi, dan agen akan melanjutkan dari titik terakhir kali ia berhenti.

Apa saja yang diizinkan untuk dilakukan oleh AI? Apakah AI dapat mengakses dan menelusuri rekam medis elektronik? Menjalankan model radiologi? Mengakses hasil laboratorium? Hak akses menentukan batas otonomi agen. Dalam layanan kesehatan, batasan ini sangat penting.

Agar agen dapat bertindak di berbagai sistem klinis dan operasional, diperlukan platform yang memungkinkan akses ke data kesehatan tanpa harus membangun puluhan integrasi terpisah.

Platform seperti InterSystems IRIS, yang menggabungkan database integrasi, dan analitik dalam satu lapisan, mengurangi jumlah tahapan penghubung yang harus dilalui agen untuk mengambil dan menindaklanjuti data pasien.

Sistem berbasis agen dapat mengubah dunia. Sistem ini dapat mengambil rekam medis, menyusun catatan klinis, menjalankan model AI lain untuk analisis khusus, menjadwalkan janji temu, mengirim pengingat, dan mengoordinasikan tindak lanjut.

Singkatnya: AI generatif menjawab pertanyaan. AI berbasis agen melakukan tindakan.

Inilah benang yang menghubungkan ketiga hal lainnya. Sistem berbasis agen tidak sekadar menjalankan serangkaian langkah. Sistem ini melakukan penalaran untuk mencapai suatu tujuan, sambil menyesuaikan alur pemikirannya seiring masuknya informasi baru.

Sistem ini bekerja sama dengan manusia, dengan kapasitas memori kerja yang mampu menampung konteks lebih banyak daripada seorang klinisi mana pun. Dengan memanfaatkan teknologi seperti pemrosesan bahasa alami dan pembelajaran mesin, agen-agen cerdas ini mampu memperoleh wawasan dari dataset berskala besar serta mengotomatiskan tugas-tugas kompleks yang akan sulit ditangani oleh satu orang saja.

Peter Lee menggambarkan situasi saat ini dengan analogi bisbol: “Kita sedang berada di babak-babak tengah revolusi teknologi ini. "Dan saya rasa Anda benar bahwa salah satu elemen utama pada era babak tengah ini adalah AI berbasis agen."

Upaya untuk deploy teknologi ini memang nyata, namun masa depan teknologi ini masih belum pasti. Untuk memahami lebih dalam bagaimana komponen-komponen ini saling terhubung dalam desain sistem, lihat panduan kami tentang arsitektur AI berbasis agen.

Lalu, bagaimana sebenarnya agen AI “berdebat,” seperti yang disebutkan dalam pengantar?

Berikut gambaran penerapannya di dunia nyata. MAI-DxO adalah sistem diagnostik multi-agen dari Microsoft AI. Alih-alih meminta satu AI untuk mempertimbangkan setiap faktor dalam diagnosis yang kompleks, sistem ini menetapkan peran yang berbeda-beda kepada masing-masing agen AI:

• Agen utama, yang berinteraksi dengan pasien dan berupaya menegakkan diagnosis
• Agen penentang, yang bertugas secara khusus untuk tidak sependapat. Agen ini terus menguji penalaran agen utama, mempertanyakan asumsi, dan menyanggah kesimpulan yang dibuat.
• Agen biaya yang mempertanyakan apakah setiap usulan tes laboratorium atau pemeriksaan pencitraan memang diperlukan dari sudut pandang pemanfaatan sumber daya

Para agen ini terlibat dalam “rantai debat": perbedaan pendapat yang terstruktur yang mendorong proses diagnostik melalui beberapa putaran pengujian dan penyempurnaan sebelum akhirnya mencapai kesimpulan. Sistem ini mampu menganalisis data dari catatan klinis, riwayat pasien, dan hasil laboratorium secara bersamaan, memproses konteks yang tidak mungkin disimpan oleh seorang tenaga medis dalam memori kerjanya.

Dalam kerja sama dengan New England Journal of Medicine, melalui pengujian terhadap kumpulan kasus diagnostik yang sangat langka, MAI-DxO berhasil mencapai diagnosis yang benar pada lebih dari 80% kasus. Konfigurasi dengan kinerja terbaik mencapai tingkat akurasi 85,5%. Angka ini lebih dari empat kali lipat tingkat akurasi klinisi manusia yang sangat berpengalaman ketika menangani kasus yang sama, yakni rata-rata sekitar 20%.

Akurasi itu penting. Namun, manfaatnya tidak berhenti sampai di situ saja. Dalam arti tertentu, agen-agen AI saling mendorong untuk menghasilkan kinerja yang lebih baik.

"Gagasan komputasi berbasis agen bukan hanya untuk membantu memfasilitasi proses yang dilakukan manusia, tetapi juga untuk memperkuat kecerdasan sistem AI lainnya. Selain itu, pendekatan ini dapat mengurangi halusinasi, antara lain dengan membuat agen-agen tersebut saling menguji dan mempertanyakan hasil satu sama lain." - Dr. Peter Lee

Ya, para agen tersebut membantu mengotomatisasi proses-proses yang rentan terhadap kesalahan manusia. Namun, agen-agen ini juga secara signifikan mengurangi salah satu masalah terbesar dalam AI, yaitu halusinasi. Agen penentang tidak harus benar. Tugasnya adalah memaksa agen utama mempertanggungjawabkan hasl penalarannya.

Proses ini mengungkap kelemahan dalam alur penalaran yang jika tidak diuji mungkin akan lolos begitu saja tanpa terdeteksi.

Hal ini mengubah cara kita memandang persoalan tersebut secara keseluruhan. Pertanyaan yang paling sering diajukan para pemimpin layanan kesehatan tentang AI berbasis agen adalah, "Tugas apa saja yang dapat diotomatisasi oleh teknologi ini?" Pertanyaan yang lebih tepat, dan yang dijawab oleh MAI-DxO, adalah, “Apa yang terjadi ketika agen-agen cerdas saling meningkatkan kecerdasan satu sama lain?"

MAI-DxO membuktikan bahwa agen dapat meningkatkan kecerdasannya. Orkestrator dewan tumor Stanford mengatasi persoalan yang berbeda, yang mungkin lebih berdampak pada pelayanan pasien sehari-hari, yaitu koordinasi di tengah data yang tersebar dan sistem yang berbeda-beda.

Dewan tumor merupakan pertemuan interdisipliner yang mempertemukan ahli onkologi, radiolog, dokter bedah, dan patolog untuk meninjau kasus pasien tertentu serta menentukan pengobatannya. Ribuan pertemuan semacam ini terjadi setiap minggu di berbagai sistem kesehatan di seluruh dunia, dan setiap kasusnya mengharuskan tim medis mengumpulkan informasi yang tersebar di berbagai sistem.

Dalam kerja sama dengan Stanford Medicine, yang menangani 4.000 pasien dalam dewan tumor setiap tahun,Microsoft mengembangkan agen AI yang turut serta dalam rapat-rapat tersebut. Agen ini mengambil rekam medis pasien, menjalankan model AI khusus untuk analisis radiologi dan patologi, menampilkan penelitian yang telah dipublikasikan dan sesuai dengan profil genetik pasien, serta menghasilkan catatan untuk ditinjau.

Agen ini dapat memberikan dukungan secara real-time kepada tenaga kesehatan dengan menangani tugas-tugas kompleks seperti menganalisis kasus medis yang rumit dan mengoordinasikan rencana perawatan yang terpadu di berbagai departemen spesialis.

Masih ingat empat komponen MEAR yang telah dibahas sebelumnya? Semua faktor itu berperan di sini. Agen tersebut:

• Menyimpan konteks pasien (Memori)
• Mengakses rekam medis elektronik (EHR), sistem pencitraan, dan database penelitian (Hak Akses)
• Mengambil informasi dan menghasilkan output (Tindakan)
• Dan menalar untuk merumuskan rekomendasi pengobatan bersama tim klinis (Penalaran).

Menghubungkan berbagai sumber data yang terpisahmerupakan tantangan interoperabilitas yang memang dirancang untuk diatasi oleh platform-platform seperti InterSystems HealthShare. Catatan onkologi tersimpan dalam satu sistem, citra radiologi dalam sistem lain, laporan patologi dalam sistem ketiga, sedangkan penelitian yang telah dipublikasikan tersimpan dalam database eksternal.

HealthShare menggabungkan data klinis dari berbagai sistem ke dalam satu rekam medis terpadu, sehingga sistem berbasis agen maupun klinisi dapat memperoleh gambaran pasien yang utuh dan konsisten, terlepas dari sumber asal datanya.

Inilah pola yang dapat diterapkan dalam skala besar. Dewan tumor membutuhkan koordinasi antara para spesialis, data, dan pengambilan keputusan di seluruh sistem layanan kesehatan. Tantangan koordinasi yang sama juga muncul dalam berbagai alur kerja pelayanan kesehatan. Data yang tersebar perlu dihubungkan agar tim perawatan yang tepat dapat mengambil keputusan yang tepat.

Investasi Stanford Health Care dalam AI berbasis agen tidak terbatas pada dewan tumor. Inisiatif AXIOM mereka memanfaatkan repositori FHIR di InterSystems IRIS untuk mendukung pengambilan data klinis secara cepat, yang membantu mempersingkat waktu pencarian data EHR dari beberapa menit menjadi beberapa detik untuk aplikasi AI, termasuk untuk mendukung triase di unit gawat darurat. Proyek ini berhasil meraih Penghargaan InterSystems Impact 2025 untuk Inovasi Penyedia Layanan Kesehatan.

Tidak semua organisasi layanan kesehatan perlu segera menerapkan sistem diagnostik multi-agen.

Anthropic, perusahaan pengembang Claude, menyampaikan saran yang tepat dalam panduannya tentang pengembangan agen: “Dalam membangun aplikasi berbasis LLM, kami menyarankan untuk mencari solusi sesederhana mungkin dan hanya menambah kompleksitas jika diperlukan.”

Untungnya, Dr. Lee menawarkan langkah awal yang lebih sederhana dan dapat dicoba oleh klinisi mana pun minggu ini.

Dalam bukunya The AI Revolution in Medicine,Lee menyarankan agar dokter dan perawat memandang AI sebagai “sepasang mata kedua”.

Gagasannya sederhana: susun diagnosis banding terlebih dahulu, lalu sampaikan kasus tersebut kepada agen AI dan ajukan dua pertanyaan: Apakah ada sesuatu yang terlewat dari pertimbangan saya? Apakah ada kesalahan dalam penalaran saya?

“Saya rasa banyak dokter dan perawat akan terbantu jika mereka tetap melakukan analisis sendiri, lalu memandang AI sebagai agen yang dapat menjadi sepasang mata kedua.” - Dr. Peter Lee

Don menjelaskan mengapa hal ini tetap bermanfaat meskipun AI tidak selalu memberikan jawaban yang sempurna:

"Pendekatan ini seolah memperluas wawasan pengambil keputusan. Bahkan jika AI sedikit keliru, hal itu tidak merugikan dalam konteks penggunaan ini karena kita hanya memintanya untuk sedikit memperluas cara berpikir kita. “Ada hal lain yang perlu saya pertimbangkan?” — Don Woodlock

AI tidak mengambil keputusan. Sebaliknya, AI memperluas ruang pertimbangan dalam pengambilan keputusan. Pendekatan ini membantu mengurangi beban kognitif tenaga kesehatan dengan memberikan pemeriksaan tambahan untuk menemukan hal-hal yang mungkin terlewat, tanpa mengharuskan sistem beroperasi secara mandir.

Spektrum penerapannya beragam, mulai dari validasi seperti ini, orkestrasi tim multidisiplin penanganan tumor, hingga diagnosis otonom oleh sistem multi-agen. Organisasi layanan kesehatan dapat memulai dari tahap mana pun sesuai dengan kematangan data dan tata kelola yang dimiliki. Keberhasilan bergantung pada kesesuaian antara ambisi penerapan dan kesiapan organisasi.

Dewan Tumor Stanford mengotomatisasi koordinasi klinis. Pola yang sama juga dapat diterapkan pada proses administratif layanan kesehatan, dan angkanya sulit diabaikan.

Organisasi-organisasi kesehatan di AS menghabiskan lebih dari $1 triliun setiap tahun untuk tugas-tugas administrasi. Bukan untuk pelayanan pasien, melainkan untuk koordinasi.

Hal-hal seperti:

• Mengambil informasi dari satu sistem dan mencocokkannya dengan sistem lainnya
• Menyusun dokumentasi
• Mengirimkan dokumen melalui portal.
• Dan memantau hasilnya

Semua aktivitas ini menyita waktu klinisi dan menimbulkan risiko kesalahan pada setiap tahapan serah terima pekerjaan. Para tenaga kesehatan terjun ke industri ini untuk memberikan perawatan yang penuh empati kepada pasien, bukan untuk menyinkronkan data antarportal.

Coba perhatikan alur kerja praotorisasi yang umum. Saat ini, seorang koordinator:

1. Mengambil catatan klinis dari EHR
2. Memeriksa persyaratan khusus pembayar di portal terpisah
3. Menyusun paket dokumentasi
4. Mengirimkan dokymen melalui sistem lain
5. Dan memantau status otorisasi, sering kali sambil menangani puluhan kasus secara bersamaan

Dengan sistem berbasis agen, agen AI menangani pengambilan dokumen, penyusunan berkas, pemeriksaan kepatuhan, dan pengiriman dokumen. Koordinator cukup meninjau berkas yang telah selesai disiapkan dan menangani kasus-kasus yang memerlukan penanganan khusus. Pekerjaan yang tadinya memakan waktu 45 menit kini hanya butuh 10 menit.

Ini bukan sekadar hipotesis. MUSC Health kini menyelesaikan 40% proses otorisasi sebelumnya secara mandiri menggunakan AI berbasis agen, tanpa memerlukan campur tangan manusia.

InterSystems HealthShare mendukung alur kerja ini melalui rangkaian layanan Payer Services-nya,yang mencakup Dukungan Praotorisasi, Penelusuran Persyaratan Pertanggungan, dan Templat Dokumentasi. Hal ini memberikan landasan berbasis standar bagi organisasi untuk mengintegrasikan otomatisasi berbasis agen ke dalam integrasi yang sudah ada antara penyedia layanan kesehatan dan pihak penanggung.

Sebuah survei yang dilakukan oleh Deloitte Center for Health Solutions terhadap 100 eksekutif teknologi kesehatan di AS menemukan bahwa 85% berencana meningkatkan investasi dalam AI berbasis agen selama dua hingga tiga tahun ke depan, dengan 98% memperkirakan penghematan biaya setidaknya 10% melalui pengurangan beban administratif dan peningkatan pemanfaatan sumber daya.

Para pemimpin di bidang kesehatan mengharapkan teknologi AI berbasis agen dapat memberikan peningkatan efisiensi operasional yang signifikan di seluruh rumah sakit dan sistem kesehatan.

Tantangan mendasar dalam alur kerja layanan kesehatan ini adalah fragmentasi data. Praotorisasi, klaim, dan penjadwalan semuanya bergantung pada informasi yang tersebar di berbagai sistem EHR, sistem penagihan, dan portal penyedia layanan kesehatan.

InterSystems IRIS for Health menyediakan lapisan integrasi dan interoperabilitas yang memungkinkan sistem AI berasis agen mengakses dan merekonsiliasi data tersebut secara real-time, tanpa mengharuskan sistem kesehatan untuk membongkar dan mengganti infrastruktur yang sudah ada.

Selain urusan administrasi, sistem AI berasis agen mulai mengubah cara organisasi layanan kesehatan menangani perawatan pasien setelah pulang dari rumah sakit. Agen AI dapat memantau gejala pasien, memastikan kepatuhan terhadap jadwal pengobatan, menjadwalkan janji temu untuk kunjungan tindak lanjut, dan memberi tahu tim perawatan jika ditemukan hal yang perlu diperhatikan. Pemantauan real-time ini membantu mendeteksi masalah sebelum kondisinya memburuk.

Kemampuan proaktif tersebut memungkinkan penyedia layanan kesehatan memberikan jadwal tindak lanjut yang lebih jelas dan komunikasi yang lebih andal kepada pasien. Pada saat yang sama, alur kerja di balik layar menjadi lebih teratur, mutu pelayanan meningkat, dan pengalaman pasien secara keseluruhan menjadi lebih baik. (Untuk studi kasus terperinci tentang perancangan ulang alur kerja klinis dengan dukungan AI, baca artikel kami tentang otomatisasi layanan kesehatan.)

Setiap menit yang dihabiskan untuk menyelaraskan data dari berbagai portal adalah satu menit yang tidak digunakan untuk melayani pasien. Sistem berbasis agen menangani koordinasi sehingga tim perawatan dapat fokus memberikan perawatan yang penuh empati.

Semua hal yang dijelaskan di atas bergantung pada satu hal: data. Kerangka kerja MEAR secara eksplisit menunjukkan ketergantungan tersebut. Memori membutuhkan data klinis untuk disimpan dan diingat. Hak akses membutuhkan sistem yang memberikan akses. Tindakan membutuhkan API yang dapat merespons permintaan. Penalaran membutuhkan input yang bersih dan terstruktur.

Di sebagian besar sistem layanan kesehatan, data pasien tersebar di berbagai EHR, platform penagihan, portal perusahaan asuransi, dokumen faks, dan perangkat digital di tiap departemen. Data tersebut menggunakan format yang berbeda-beda, memiliki tingkat kelengkapan yang beragam, dan diperbarui dengan frekuensi yang tidak sama. Sebagian besar data layanan kesehatan masih belum dimanfaatkan karena tersimpan dalam format yang tidak dapat diproses oleh sistem yang ada, setidaknya tidak pada skala yang dibutuhkan oleh aplikasi AI berbasis agen. Sistem layanan kesehatan menghadapi tantangan besar akibat fragmentasi data dan masalah interoperabilitas yang ditimbulkannya.

Ada tiga fondasi penting yang perlu diperhatikan organisasi layanan kesehatan yang ingin menerapkan sistem berbasis agen.

Standar interoperabilitas layanan kesehatan seperti FHIR dan HL7 menjadi landasan bagi sistem berbasis agen untuk beroperasi InterSystems HealthShare Health Connect, yang tersedia sebagai layanan berbasis cloud terkelola, menangani penerjemahan protokol dan pengalihan pesan agar agen cerdas dapat berkomunikasi lintas sistem klinis. Layanan ini mendukung HL7, FHIR, X12, DICOM, dan standar layanan kesehatan lainnya tanpa memerlukan integrasi khusus untuk setiap pasangan sistem. Arsitektur modular ini memungkinkan sistem layanan kesehatan menghubungkan berbagai sistem secara bertahap, alih-alih langsung membongkar dan mengganti seluruh infrastruktur yang ada.

Alih-alih memusatkan data ke dalam sebuah data warehouse (proyek bertahun-tahun yang tidak mampu dibiayai oleh sebagian besar sistem kesehatan), pendekatan Smart Data Fabric menyelaraskan data di tempatnya masing-masing, sehingga memberikan pandangan terpadu kepada para agen tanpa perlu memindahkan data.

Inilah pendekatan yang telah diintegrasikan InterSystems ke dalam platform IRIS, yang menghubungkan dan menyelaraskan data yang terfragmentasi dari berbagai sumber yang berbeda secara real-time sehingga sistem agen dapat memperoleh wawasan dari gambaran menyeluruh tersebut.

Ini adalah aturan yang jelas mengenai apa yang dapat dilakukan agen secara mandiri, kapan mereka harus meneruskan masalah ke tingkat yang lebih tinggi, dan bagaimana setiap tindakan dicatat.

Sistem berbasis agen pasti akan mengalami kesalahan. Itu sudah pasti.

Persyaratan kepatuhan regulasi membuat peran arsitektur menjadi dua kali lipat pentingnya: mendeteksi kesalahan-kesalahan tersebut sebelum berdampak ke pasien. Debat antaragen, titik pemeriksaan yang melibatkan manusia, transparansi kepada pasien mengenai peran AI dalam pelayanan mereka, dan jejak audit bukanlah fitur tambahan yang bisa diabaikan. Mereka lah yang membuat teknologi ini berfungsi.

Hambatan penerapan teknologi ini pun mulai berkurang. Survei Deloitte menemukan bahwa 40% eksekutif di sektor kesehatan menyatakan bahwa kekurangan tenaga ahli teknis, yang sebelumnya dianggap sebagai hambatan utama, kini tidak lagi dipandang sebagai tantangan besar. Penolakan terhadap perubahan dan kekhawatiran mengenai kualitas data juga semakin berkurang sebagai faktor penghambat. Sebanyak 38% dan 32% pemimpin layanan kesehatan masing-masing melaporkan adanya perbaikan dalam kedua aspek tersebut.

Para pemimpin di bidang kesehatan tetap harus fokus pada pembangunan fondasi data dan struktur tata kelola yang kokoh, namun jalannya kini lebih jelas dibandingkan setahun yang lalu.

Ada satu hal yang perlu diketahui: agen dapat mengungkap masalah kualitas data lebih awal dan lebih gamblang dibandingkan alur kerja yang mengandalkan manusia. Ketika agen tidak dapat menyelesaikan tugas karena terdapat informasi yang saling bertentangan dalam rekam medis, hal itu merupakan sinyal diagnostik, bukan kegagalan teknologi. Sistem tersebut sedang menunjukkan bagian mana dari fondasi data yang perlu diperbaiki.

Seiring semakin matangnya AI berbasis agen dalam layanan kesehatan, keterusterangan Peter Lee mengenai masa depannya menjadi alasan tersendiri untuk mencermati perkembangan teknologi ini:

“Bukan berarti pada babak-babak akhir nanti AI berbasis agen pasti akan menjadi sesuatu yang besar. Mungkin saja. Sulit untuk memprediksinya. Namun, yang pasti, saat ini akan ada dorongan besar untuk menerapkan sistem berbasis agen di dunia nyata.” - Dr. Peter Lee

Penilaian yang terukur seperti ini, dari Presiden Microsoft Research, jauh lebih berharga daripada berbagai gelombang sensasi seputar teknologi. Dorongan untuk deploy teknologi ini memang nyata. Ke mana arahnya benar-benar belum jelas.

Bagi para pemimpin di bidang kesehatan yang saat ini sedang mengevaluasi AI otonom, berikut tiga titik awal:

Di bagian mana tim perawatan Anda menghabiskan waktu paling banyak untuk mengumpulkan, mencocokkan, dan mengurutkan informasi dari berbagai sistem? Alur kerja di bidang layanan kesehatan yang melibatkan volume tinggi dan memerlukan koordinasi intensif itulah yang menjadi bidang di mana AI berbasis agen memberikan hasil tercepat.

Agen cerdas memerlukan data layanan kesehatan yang terstruktur dan dapat diintegrasikan agar dapat beroperasi secara otonom. ( Mempersiapkan data agar siap digunakan oleh AI merupakan titik awal yang praktis.) Organisasi layanan kesehatan yang membangun fondasi tersebut sekarang akan berada dalam posisi yang tepat untuk menerapkan sistem otonom seiring dengan semakin matangnya teknologi tersebut.

Mulailah dengan sistem berbasis agen yang mendukung klinisi dan staf, kemudian tingkatkan otonominya seiring dengan semakin matangnya struktur tata kelola dan meningkatnya kepercayaan terhadap sistem. Keberhasilan integrasi AI berbasis agen membutuhkan fondasi yang kuat dalam hal kesiapan data, tata kelola, dan manajemen perubahan.

Organisasi layanan kesehatan yang memperoleh manfaat terbesar bukanlah organisasi yang menerapkan agen dalam jumlah terbanyak. Itulah saatnya sistem kecerdasan buatan (AI) dan tenaga medis saling melengkapi, sehingga mengubah layanan kesehatan dari koordinasi yang bersifat reaktif menjadi pemberian perawatan yang proaktif dan cerdas.