AI Berbasis Percakapan di Bidang Layanan Kesehatan: Panduan Praktis untuk Sistem Kesehatan

AI percakapan dalam layanan kesehatan merujuk pada sistem kecerdasan buatan yang berkomunikasi dengan pasien, penyedia layanan kesehatan, dan staf melalui bahasa alami, baik melalui teks maupun suara, untuk menangani berbagai tugas mulai dari triase pasien hingga penjadwalan janji temu. Alat AI percakapan ini menggabungkan pemrosesan bahasa alami (NLP) dan pembelajaran mesin untuk memahami pertanyaan yang disampaikan, menginterpretasikan maksud di baliknya, dan memberikan respons yang terasa seperti percakapan dengan manusia.

Teknologi ini tidak lagi sekadar teori. Organisasi layanan kesehatan kini mulai melakukan deploy sistem AI percakapan untuk mengelola pesan melalui portal pasien, yang telah berkembang menjadi masalah yang terlalu besar untuk ditangani secara manual. “Dulu rasionya 1 pesan per 1 kunjungan pasien, tetapi kini beberapa penelitian menyebutkan rasionya 6 banding 1,” kata Don Woodlock, Presiden InterSystems.

Baik Anda sedang mengevaluasi solusi AI percakapan untuk sistem layanan kesehatan Anda maupun ingin memahami di mana teknologi ini dapat memberikan hasil yang terukur, bagian berikut menguraikan penerapan yang saat ini terbukti efektif berdasarkan implementasi nyata dan penelitian yang telah dipublikasikan.

Pada dasarnya, kecerdasan buatan percakapan merupakan penerapan pemrosesan bahasa alami untuk memahami bahasa manusia, baik dalam bentuk tulisan maupun ucapan, serta pembelajaran mesin untuk meningkatkan kualitas respons dari waktu ke waktu. Berbeda dengan chatbot berbasis aturan yang mengikuti skrip yang kaku, sistem AI percakapan modern mampu memahami konteks, mengenali maksud pengguna, dan menghasilkan respons yang menyesuaikan dengan situasi dalam setiap interaksi.

Dalam layanan kesehatan, tuntutannya lebih tinggi dibandingkan industri lainnya. Alat AI percakapan harus mampu menangani terminologi klinis, mendeteksi tingkat urgensi dalam pesan pasien, mematuhi peraturan terkait privasi, serta terintegrasi dengan rekam medis elektronik. Asisten virtual dan chatbot AI di bidang ini tidak menggantikan tenaga profesional kesehatan. Alat tersebut menangani komunikasi rutin yang menyita waktu tenaga medis, seperti menjawab pertanyaan yang sering diajukan, mengarahkan pesan kepada pihak yang tepat, dan menyusun draf respons, sehingga tenaga medis dapat fokus memberikan pelayanan langsung kepada pasien.

Perbedaan ini penting: AI percakapan tidak sama dengan AI generatif. Beberapa sistem menggunakan NLP/klasifikasi tradisional, sedangkan sistem yang lebih baru mungkin menggunakan AI generatif untuk penyusunan draf, ringkasan, atau dialog

Penggunaan fitur pesan di portal pasien telah melonjak. Sebuah survei MGMA tahun 2025menunjukkan bahwa 70% kelompok praktik medis melaporkan adanya peningkatan volume pesan di portal pasien pada tahun 2024. Berbagai penelitian menegaskan bahwa lonjakan keterlibatan pasien secara digital pasca-COVID telah menjadi tren permanen, dan kini pasien mengharapkan dapat berkomunikasi dengan penyedia layanan kesehatan mereka melalui portal semudah mereka berkirim pesan teks.

Masalahnya bukan hanya soal volume pesan. Yang menjadi persoalan adalah apa yang tersembunyi di dalam volume tersebut.

“4 hingga 10% pesan bersifat mendesak... mungkin pasien memang sebaiknya tidak mengirimkan pesan itu melalui portal, tetapi tetap saja mereka melakukannya, dan pesan itu akhirnya hanya teronggok di sana,” jelas Don. Sebagian besar sistem layanan kesehatan menetapkan target waktu respons 24 hingga 48 jam untuk pesan melalui portal. Artinya, pesan mendesak yang dikirim pada pukul 23.00 pada hari Jumat mungkin tidak akan dibaca hingga Senin pagi.

Masalah ini semakin diperparah oleh kategorisasi yang dilakukan pasien sendiri, yaitu ketika pasien memilih topik atau departemen untuk pesan yang mereka kirim. Kategori yang dipilih pasien ternyata hanya tepat sekitar separuh waktu. Hal itu belum cukup dapat diandalkan untuk menjadi dasar alur kerja klinis. Pesan-pesan masuk ke antrean yang salah, tertahan selama berjam-jam, lalu diteruskan ke tim yang tepat, sehingga menambah keterlambatan pada sistem yang sudah berada di bawah tekanan.

Di sinilah AI percakapan hadir untuk mengatasi celah tersebut. Bagi sistem layanan kesehatan yang mengelola pesan portal di berbagai sistem rekam medis elektronik, platform seperti InterSystems HealthSharemenggabungkan data pasien dan pesan dari berbagai sumber menjadi tampilan terpadu. Hal ini menjadi fondasi yang dibutuhkan AI percakapan untuk melakukan triase, meneruskan pesan ke pihak yang tepat, dan memberikan respons secara efektif.

Tiga aplikasi telah terbukti menjadi penerapan AI percakapan yang paling efektif dalam sistem pesan portal pasien; ketiganya memiliki tingkat akurasi tinggi dan risiko yang lebih rendah dibandingkan aplikasi AI lainnya dalam layanan kesehatan.

Penerapan yang paling sederhana adalah melatih model AI untuk secara otomatis menandai pesan pasien yang mendesak. Sistem ini memindai pesan yang masuk, mengidentifikasi pola bahasa yang terkait dengan situasi darurat seperti nyeri dada, kesulitan bernapas, dan reaksi terhadap obat, serta menandainya agar segera ditinjau.

Dalam praktiknya, hal ini berarti seorang petugas pusat layanan pelanggan yang mulai bekerja pukul 07.00 pagi dapat mengurutkan antrean berdasarkan tingkat urgensi, menangani kasus-kasus kritis terlebih dahulu, dan mempertahankan ritme kerja sepanjang sisa harinya. Sebagian besar pesan mendesak masuk pada malam hari atau akhir pekan, sehingga alur kerja ini dapat mendeteksi kasus-kasus yang paling berisiko terlewatkan dalam proses peninjauan manual.

NYU Langone Healthtelah mengembangkan dan deploy model pendeteksi tingkat urgensi menggunakan BERT (sebuah arsitektur pemrosesan bahasa alami) yang dilatih menggunakan lebih dari 40.000 pesan pasien. Sistem ini mengidentifikasi kondisi yang memerlukan tindakan segera, seperti menghubungi pasien, dan telah digunakan secara operasional selama beberapa tahun. Pada tahap validasi, model tersebut mencapai nilai C-statistic sebesar 97% dan presisi rata-rata sebesar 72%; sedangkan dalam penerapan operasional biner, presisi mencapai 67% dan sensitivitas sebesar 63%.

Penerapan kedua: AI mengusulkan draf balasan atas pesan pasien, lalu seorang tenaga kesehatan memeriksa, mengedit, dan mengirimkannya.

Temuan mengejutkan di sini berkaitan dengan empati. Sebuah studi tahun 2023 yang diterbitkan dalam JAMA Internal Medicinemembandingkan tanggapan dokter terhadap pertanyaan pasien dengan tanggapan yang dihasilkan oleh chatbot. Para penilai menilai tanggapan chatbot memiliki kualitas yang lebih baik dan jauh lebih empati; tanggapan tersebut 9,8 kali lebih mungkin dinilai sebagai “empati” atau “sangat empati” dibandingkan tanggapan dokter saja.

“Bukan karena komputer lebih empati daripada manusia, tetapi empati membutuhkan waktu,karena menunjukkan empati membutuhkan waktu,” kata Don. Menulis pesan yang mengakui kekhawatiran pasien, menunjukkan kepedulian yang tulus, sekaligus menyampaikan informasi klinis membutuhkan waktu beberapa menit yang tidak dimiliki dokter ketika harus menangani puluhan pesan. AI memiliki waktu tersebut.

Don menjelaskan bahwa format yang paling efektif adalah “empathy sandwich””

• Pembukaan: Menyapa pasien, menunjukkan kepedulian, seperti “Ibu Jones yang terhormat, terima kasih telah menghubungi kami, kesehatan Anda sangat penting bagi kami…”
• Bagian tengah: Informasi klinis — bagian ini ditulis atau diedit secara mendalam oleh manusia
• Penutup: Memberikan ketenangan dan menjelaskan langkah selanjutnya, seperti “Semoga informasi ini menjawab pertanyaan Anda. Jangan ragu untuk menghubungi kami kembali. Berikut nomor telepon kami”

AI tersebut menyusun bagian pembuka dan penutup yang menunjukkan empati. Tenaga kesehatan berfokus pada hal yang paling mereka kuasai: bimbingan klinis di tahap tengah. Kepuasan pasien meningkat. Produktivitas staf meningkat. Keduanya dapat diukur.

Aplikasi ketiga ini menghilangkan salah satu hambatan yang paling boros dalam alur kerja portal: pengalihan pesan secara manual.

Di sebagian besar sistem kesehatan, pesan yang masuk akan masuk ke antrian tingkat pertama. Seorang staf membuka setiap pesan tersebut, membacanya, dan meneruskannya ke bagian yang sesuai — penjadwalan, isi ulang obat, keperawatan, atau bagian lainnya. Pesan tersebut mungkin akan tertahan di antrian pertama selama satu hari penuh sebelum ada yang meneruskannya. Pasien menunggu. Waktu staf tersita untuk menyortir, bukan menyelesaikan masalah.

Model AI percakapan dapat mengklasifikasikan pesan dan meneruskannya langsung ke kelompok yang tepat, tanpa harus melalui antrian layanan pertama sama sekali. Model pengalihan yang telah dipublikasikan telah menunjukkan peningkatan akurasi dan alur kerja yang signifikan, namun kinerjanya bervariasi tergantung pada sistem kesehatan, desain kategori, data pelatihan, dan implementasinya

Wawasan mengenai penerapannya inilah yang membuat hal ini praktis: “Anda bahkan tidak perlu memberi label pada data,” jelas Don. "Data tersebut secara otomatis diberi label berdasarkan aktivitas penerusan pesan dan penetapan kelompok yang telah dilakukan sebelumnya.” Organisasi layanan kesehatan dapat melatih model pengalihan berdasarkan pola perilaku penerusan mereka selama beberapa bulan terakhir. Model tersebut mempelajari ke mana pesan-pesan tersebut akhirnya dikirim dan mensimulasikan pengalihan tersebut secara otomatis. Tanpa anotasi manual. Riwayat pola pengalihan dapat mengurangi beban kerja pelabelan manual, namun implementasinya tetap memerlukan validasi, tata kelola, dan pemantauan.

Pesan melalui portal pasien merupakan area dengan bukti penerapan yang paling kuat, tetapi AI percakapan dalam layanan kesehatan dapat digunakan di sepanjang perjalanan pasien::

• Penjadwalan janji temu dan pengingat - Asisten virtual menangani pemesanan, penjadwalan ulang, dan konfirmasi sepanjang waktu, sehingga mengurangi volume pusat panggilan dan meminimalkan janji temu yang terlewat
• Pemeriksaan gejala dan dukungan pengambilan keputusan klinis- Alur triase terstruktur membantu pasien mengevaluasi gejala mereka dan menemukan tingkat perawatan yang tepat, mulai dari perawatan mandiri, perawatan darurat, hingga kunjungan langsung ke fasilitas kesehatan
• Pengelolaan pengobatan dan pemantauan penyakit kronis- Pengingat berbasis AI membantu meningkatkan kepatuhan pasien dalam menjalani pengobatan seperti hipertensi atau diabetes
• Dukungan kesehatan mental- Alat AI berbasis percakapan menyediakan layanan pengecekan kondisi kesehatan mental, strategi koping, dan panduan perawatan diri di sela-sela sesi terapi; layanan ini mudah diakses dan sering kali bersifat anonim, sehingga membantu memperluas dukungan kesehatan mental di luar jam praktik klinis. Alat-alat ini bukanlah pengganti perawatan klinis karena penerapan yang efektif mencakup langkah-langkah pengamanan untuk deteksi krisis, protokol eskalasi, pengawasan oleh tenaga medis, serta batasan penggunaan yang dikomunikasikan dengan jelas.
• Tugas administratif dan pertanyaan terkait penagihan- Menjawab pertanyaan yang sering diajukan mengenai asuransi, penagihan, dan rekam medis pasien, serta mengurangi beban tugas administratif yang menyita waktu staf

Benang merahnya: AI percakapan menangani interaksi rutin dengan pasien dalam jumlah besar sehingga para tenaga kesehatan dapat fokus pada pekerjaan klinis yang kompleks.

Peningkatan produktivitas dapat dirasakan secara langsung.. Penandaan tingkat urgensi secara otomatis dan pengalihan cerdas mengurangi waktu yang dihabiskan oleh organisasi layanan kesehatan untuk memilah pesan. Respons yang disusun dengan bantuan AI mengurangi waktu yang dibutuhkan staf pusat panggilan untuk menyusun jawaban. Penelitian yang telah dipublikasikan mengenai model pengalihan pesan yang diterapkan menunjukkan bahwa kelompok pesan yang dialihkan secara otomatis mengalami penurunan waktu respons awal dengan median satu jamserta pengurangan total waktu percakapan lebih dari 22 jam dibandingkan dengan pesan yang dialihkan secara manual. Staf dapat melayani lebih banyak pasien tanpa menambah jumlah karyawan.

Kecepatan sangat penting dalam pelayanan klinis. Ketika pesan yang bersifat mendesak dapat ditandai dan ditangani dalam hitungan menit, bukan jam, keselamatan pasien meningkat dan hasil pelayanan kesehatan pun menjadi lebih baik. Ketika tanggapan yang penuh empati dan menyeluruh dapat diterima pasien dengan lebih cepat, keterlibatan dan kepuasan pasien juga meningkat. Ketika pengingat konsumsi obat dikirim sesuai jadwal, kepatuhan terhadap pengobatan meningkat, khususnya bagi pasien yang menangani penyakit kronis. Pelayanan pasien yang lebih baik dimulai dengan komunikasi yang lebih cepat dan lebih akurat. Penilaian Don berdasarkan pengalamannya bekerja sama dengan pelanggan InterSystems: “Umpan balik yang sangat positif dari pelanggan yang telah menerapkannya... waktu penyelesaian menjadi lebih cepat, dan para spesialis pusat layanan pelanggan pun memberikan tanggapan yang sangat positif.”

Don memberikan pengamatan praktis mengenai tingkat risiko: aplikasi AI di bidang layanan kesehatan ini termasuk dalam kategori yang relatif lebih rendah risikonya dibandingkan AI untuk diagnosis atau keperluan klinis. “Semua pesan tersebut pada dasarnya memang akan Anda baca,” ujarnya. Untuk penandaan tingkat urgensi dan pengalihan pesan, AI hanya memilah dan menyaring pesan, sementara manusia tetap meninjau setiap pesan. Untuk respons yang diusulkan, manusia tetap melakukan penyuntingan dan mengirimkannya. AI ini mempercepat alur kerja tanpa menghilangkan pengawasan klinis.

Model yang digunakan juga berukuran kecil. “Ini adalah model bahasa yang lebih kecil, yaitu versi BERT tahun 2018 yang telah disesuaikan (fine-tuned). Anda bisa menjalankannya di laptop atau server kecil, sehingga tidak ada risiko data dikirim ke layanan cloud,” kata Don. Deployment secara on-premise menghilangkan kekhawatiran terkait privasi data yang membuat banyak organisasi layanan kesehatan enggan mengadopsi AI. Data pasien tidak pernah keluar dari infrastruktur organisasi.

Setiap sistem AI percakapan yang menangani data pasien harus mematuhi Undang-Undang Portabilitas dan Akuntabilitas Asuransi Kesehatan (HIPAA). Hal ini mencakup enkripsi, kontrol akses, pencatatan audit, dan Perjanjian Mitra Bisnis dengan setiap vendor yang terlibat.

Poin Don mengenai model on-premises menjadi penting dalam konteks ini. Model untuk penandaan tingkat urgensi dan pengalihan pesan cukup ringkas untuk dijalankan pada infrastruktur lokal, tanpa panggilan API cloud dan tanpa transfer data ke pihak eksternal. Deployment secara lokal dapat mengurangi ketergantungan pada API AI eksternal dan membatasi perpindahan data. Namun, perlindungan privasi tetap bergantung pada keseluruhan arsitektur sistem, logging, akses vendor, dan kontrol tata kelola.

Untuk platform AI percakapan yang memerlukan koneksi cloud, khususnya yang menggunakan large language model untuk menghasilkan respons, penyedia layanan kesehatan harus memastikan kepatuhan terhadap HIPAA, kebijakan lokasi penyimpanan data (data residency), serta memastikan apakah data pasien digunakan untuk melatih model. Integrasi rekam medis elektronik menambah satu lapisan lagi: alat AI percakapan memerlukan akses untuk membaca rekam medis pasien, sehingga diperlukan pengaturan yang jelas mengenai data apa yang mengalir ke mana.

Tata kelola data pelatihan juga tak kalah pentingnya. Riwayat penerusan pesan dapat digunakan sebagai label pelatihan; namun, isi pesan tetap harus ditangani secara aman, dilakukan de-identifikasi apabila diperlukan, dengan tata kelola akses.

Bagi organisasi layanan kesehatan yang mempertimbangkan penggunaan AI percakapan, langkah praktisnya dimulai dengan penerapan yang berisiko lebih rendah dan memberikan manfaat langsung.

Mulailah dari area dengan tingkat akurasi paling tinggi dan risiko paling rendah. Penandaan tingkat urgensi dan pengalihan pesan sama-sama mencapai tingkat akurasi di atas 90%, tetap melibatkan manusia dalam prosesnya, dan menggunakan model ringkas yang dapat dijalankan secara on-premises. Ini bukan proyek ambisius yang membutuhkan terobosan besar. Ini adalah perbaikan alur kerja yang didukung oleh bukti ilmiah yang telah dipublikasikan.

Menggunakan data Anda sendiri.Wawasan Don mengenai data pelatihan yang telah diberi label secara otomatis menghilangkan salah satu hambatan utama dalam adopsi AI. Jika tim pusat layanan pelanggan Anda telah meneruskan pesan selama enam bulan terakhir, Anda sudah memiliki data pelatihan untuk model pengalihan pesan. Tidak diperlukan proyek anotasi.

Memastikan para tenaga medis tetap mendapat informasi terkini.Untuk tanggapan yang diusulkan oleh AI, model yang menyusun drafnya; manusia yang meninjaunya dan mengirimkannya. Inilah alur kerja yang menghasilkan peningkatan empati dan kualitas dalam berbagai studi yang telah dipublikasikan.

Pastikan fondasi data Anda sudah siap.Efektivitas AI percakapan bergantung sepenuhnya pada data yang dapat diaksesnya. InterSystems IRIS for Healthdan Health Connectmenyediakan lapisan data yang saling terintegrasi serta mesin integrasi yang dibutuhkan oleh platform AI percakapan untuk mengakses rekam medis pasien, meneruskan pesan antar sistem, dan terhubung dengan alur kerja klinis yang sudah ada, terutama di lingkungan yang menggunakan beberapa sistem rekam medis elektronik (EHR).

Generasi terkini dari AI percakapan di bidang layanan kesehatan sebagian besar bersifat reaktif; sistem ini menanggapi pesan, meneruskannya, dan menyusun balasan. Generasi berikutnya dari AI di bidang layanan kesehatan akan bersifat proaktif.

Model pemrosesan bahasa alami (NLP) yang lebih canggih tidak hanya akan mendeteksi tingkat urgensi, tetapi juga perubahan nuansa emosi: misalnya, seorang pasien yang pesan-pesannya semakin pendek dan semakin menunjukkan rasa frustrasi seiring berjalannya waktu, atau rencana perawatan yang menimbulkan lebih banyak pertanyaan daripada biasanya. Sistem AI percakapan akan terintegrasi dengan perangkat wearable dan data pemantauan jarak jauh, sehingga dapat mengidentifikasi pasien yang berisiko sebelum mereka bahkan mengirimkan pesan.

Kemampuan multibahasa juga memperluas akses pasien. Asisten AI yang dapat berkomunikasi dengan lancar dalam bahasa yang dipilih pasien dapat menghilangkan salah satu hambatan yang paling sering terjadi dalam pemberian layanan kesehatan. Seiring dengan semakin matangnya standar interoperabilitas seperti FHIR, alat-alat AI percakapan akan dapat diintegrasikan dengan lebih mudah antar sistem layanan kesehatan, sehingga mempercepat proses implementasi dan mengurangi ketergantungan pada integrasi khusus.

Sistem layananan kesehatan yang saat ini berinvestasi dalam AI percakapan di bidang layanan kesehatan sedang membangun infrastruktur komunikasi yang akan menjadi andalan mereka selama dekade mendatang.