Deteksi dini demam berdarah: dari intuisi ke algoritma
Deteksi dini demam berdarah adalah penerapan sistem dan teknologi untuk mengenali peningkatan risiko dan pola penyebaran demam berdarah sebelum kasus melonjak, dengan menganalisis data epidemiologis dan lingkungan secara berkala agar otoritas kesehatan mempunyai waktu cukup untuk merencanakan dan melaksanakan intervensi pencegahan yang terarah dan tepat waktu. Di sinilah platform AI wabah seperti ExplainDengue menjadi titik balik: bukan sekadar proyek teknologi, tetapi upaya mengubah cara kita berpikir tentang surveilans penyakit AI. Tim Peneliti Pusat Kedokteran Tropis Universitas Gadjah Mada sedang mengembangkan ExplainDengue untuk mendeteksi potensi ancaman wabah demam berdarah menggunakan kecerdasan buatan. Dengan kata lain, mereka berusaha memindahkan kewaspadaan dari “menunggu KLB terjadi” ke “mencegah KLB sebelum terlihat di permukaan”. Pendekatan ini bukan lagi pilihan, melainkan keharusan di tengah iklim yang berubah dan mobilitas penduduk yang tinggi.

Bagaimana ExplainDengue memprediksi wabah dengue lebih awal
Kekuatan utama ExplainDengue terletak pada kemampuannya menggabungkan berbagai sumber data yang sebelumnya berjalan terpisah. Platform ini mengumpulkan data kasus demam berdarah dari fasilitas kesehatan, lalu menghubungkannya dengan data iklim, cuaca, dan curah hujan untuk memperkirakan perubahan risiko dan wilayah yang berpotensi mengalami peningkatan kasus menggunakan teknologi AI. Dr. Anis Fuad menyebut bahwa AI dalam ExplainDengue akan membuat prediksi kenaikan dan penurunan jumlah penderita demam berdarah di suatu wilayah ke depan. Ini adalah contoh langsung prediksi wabah dengue berbasis data, bukan sekadar dugaan. Pendekatan tersebut menjadikan platform ini lebih dari peta kasus; ia adalah sistem peringatan dini yang hidup, yang terus belajar dari riwayat penderita di fasilitas kesehatan dan pola lingkungan di sekitarnya. Jika dikembangkan konsisten, ExplainDengue bisa menjadi standar baru untuk platform AI wabah di tingkat nasional.
LLM dan rekam medis elektronik: lapisan intelijen baru surveilans
Langkah paling berani dari tim PKT UGM adalah memasukkan data Rekam Medis Elektronik (RME) dari Instalasi Gawat Darurat ke dalam analisis ExplainDengue. Di sinilah surveilans penyakit AI mulai menyentuh area yang dulu nyaris tidak tersentuh: keluhan awal pasien. Kumpulan gejala utama dari RME IGD dimasukkan ke dalam large language model (LLM), lalu disusun dalam format yang dapat mengidentifikasi apakah gejala tersebut merupakan bagian dari penyakit berpotensi Kejadian Luar Biasa atau penyakit yang wajib dilaporkan. Ini berarti demam, nyeri, dan keluhan lain yang tampak rutin bisa dipetakan sebagai sinyal awal wabah sebelum diagnosis formal ditetapkan. Tenaga medis yang mengisi rekam medis elektronik didukung “mesin di belakang” untuk membantu mengidentifikasi apakah penyakit berpotensi KLB atau tidak, sehingga Dinas Kesehatan lebih terbantu. Pendekatan ini menempatkan intelijen AI langsung di titik kontak pertama pasien dengan sistem kesehatan.
Dampak praktis bagi respon kesehatan dan masyarakat
Pertanyaan kunci: apa manfaat nyata ExplainDengue bagi masyarakat? Jawabannya ada pada kecepatan informasi. Jika pola penyakit dari berbagai fasilitas kesehatan dapat teridentifikasi lebih cepat, dinas kesehatan memperoleh informasi awal mengenai kemungkinan munculnya wabah dan dapat menentukan respons yang diperlukan. Prediksi wabah dengue memberi ruang untuk aksi sebelum angka kasus meledak: penguatan promosi kesehatan, fogging yang lebih terarah, hingga penataan ulang sumber daya di fasilitas layanan. Peneliti berharap platform ini melengkapi sistem kewaspadaan dini yang sudah dimiliki pemerintah. Ketika produk AI ini matang dan digunakan, ia akan membantu memberi input apakah suatu rangkaian kasus berpotensi KLB atau tidak, namun keputusan tetap di tangan manusia. Bagi warga, dampaknya berupa kebijakan pencegahan yang lebih tepat sasaran, bukan kampanye umum yang datang terlambat ketika kasus sudah menyebar luas.
Tantangan data dan pentingnya penggunaan AI yang bijak
Di balik potensi besar ExplainDengue, ada dua tantangan yang tidak boleh diremehkan. Pertama, kualitas data. AI membutuhkan suplai data yang akurat, lengkap, dan konsisten agar analisisnya semakin baik dan modelnya “lebih pintar” seiring waktu. Surveilans penyakit AI tanpa fondasi data yang rapi hanya akan menghasilkan ilusi ketepatan. Kedua, tata kelola teknologi. Peneliti menegaskan bahwa AI hanyalah alat bantu, bukan pengganti manusia dalam pengambilan keputusan; informasi yang diberikan harus menjadi bahan pertimbangan, sementara kontrol tetap di tangan pengguna. Selain itu, teknologi AI yang dikembangkan di luar negeri tidak bisa sembarangan digunakan; perlu pemahaman cara kerja, regulasi, pengelolaan data pasien, dan penilaian kelayakan melalui health technology assessment sebelum diterapkan. Kesimpulannya, prediksi wabah dengue berbasis AI adalah langkah maju yang kuat, tetapi hanya akan bermanfaat jika diiringi disiplin data dan kebijaksanaan manusia dalam setiap tahap penggunaannya.






