Deteksi dini penyakit AI: dari laboratorium ke ruang kelas
Deteksi dini penyakit AI adalah pemanfaatan algoritma kecerdasan buatan dan sensor kesehatan cerdas untuk mengenali tanda-tanda awal gangguan kesehatan secara non-invasif, lebih cepat, dan mudah diakses sebelum gejala klinis muncul, sehingga masyarakat dapat melakukan pencegahan dan intervensi lebih awal dengan biaya dan hambatan yang lebih rendah dibanding pemeriksaan konvensional. Teknologi ini kini tidak lagi dimonopoli laboratorium korporasi, melainkan lahir dari ruang-ruang kelas kampus. Dua contoh paling menarik datang dari mahasiswa yang tidak sekadar mengerjakan tugas kuliah, tetapi merumuskan ulang masa depan teknologi preventive healthcare. Mereka menguji batasan AI bukan untuk menggantikan tenaga kesehatan, melainkan untuk membawa skrining ke level komunitas: sekolah, kampus, hingga layanan primer. Di sinilah terlihat pergeseran penting: kesehatan preventif mulai dirancang oleh mereka yang paling dekat dengan persoalan di lapangan, yaitu generasi muda itu sendiri.
Glicovia: AI deteksi prediabetes tanpa jarum dan darah
Empat mahasiswa UGM mengembangkan Glicovia, perangkat skrining non-invasif yang menggunakan saliva sebagai sampel untuk mendukung AI deteksi prediabetes sejak dini. Alih-alih mengandalkan pengambilan darah, Glicovia membaca biomarker dalam air liur dengan sensor elektrokimia yang terhubung ke sistem IoT, lalu memproses datanya menggunakan algoritma Support Vector Machine (SVM) untuk mengklasifikasikan tingkat risiko prediabetes. Di balik inovasi ini ada masalah besar: sekitar 20,4 juta orang usia 20–79 tahun diperkirakan hidup dengan diabetes, sementara 73,2 persen kasus belum terdiagnosis dan 29,8 juta orang berada pada fase prediabetes. Pernyataan data ini seharusnya mengguncang kebijakan skrining yang masih bertumpu pada tes invasif dan fasilitas terbatas. Dengan sensor kesehatan cerdas dan AI deteksi prediabetes, skrining bisa lebih nyaman, murah, dan berulang, sehingga lebih realistis diterapkan di komunitas.
Glicovia menunjukkan bahwa teknologi preventive healthcare tidak harus rumit di mata pengguna. Secara teknis, perangkat ini menganalisis glukosa saliva, fruktosamin, dan pH, lalu mengirimkan data ke sistem yang terdokumentasi sehingga riwayat pemeriksaan dapat dipantau secara berkelanjutan. Implikasinya jauh melampaui eksperimen kampus: bayangkan skrining massal di lingkungan kerja atau sekolah tanpa antrian pengambilan darah. Inilah contoh inovasi mahasiswa kesehatan yang menempatkan kenyamanan dan aksesibilitas sebagai prioritas desain, bukan sekadar akurasi laboratorium. Tentu, Glicovia masih perlu uji klinis dan regulasi, tetapi arah berpikirnya jelas: deteksi dini penyakit AI harus memudahkan orang melakukan cek berkala, bukan menakut-nakuti dengan jarum suntik dan prosedur rumit.
SiMata: sensor pupil dan CNN untuk risiko NAPZA di sekolah
Jika Glicovia menyasar metabolisme, SiMata menarget persoalan sosial yang sering diabaikan: risiko penyalahgunaan NAPZA di kalangan muda. Lima mahasiswa IPB dari berbagai disiplin merancang sistem skrining awal penyalahgunaan NAPZA bernama SiMata melalui skema PKM-VGK 2026. Ide ini lahir dari fakta pahit: prevalensi penyalahgunaan narkoba mencapai 1,73 persen atau sekitar 3,33 juta jiwa usia 15–64 tahun, dengan sekitar 903.600 pengguna dari kelompok usia muda dan lebih dari 50 persen kasus pidana narkotika melibatkan usia 17–35 tahun. Di lapangan, perubahan emosi, penurunan kendali diri, dan konflik antarpelajar sering disederhanakan sebagai “kenakalan remaja”, sehingga indikasi paparan zat terlarang terlambat disadari.
SiMata dirancang sebagai perangkat menyerupai alat refraksi mata tertutup, dengan penyangga dahi dan dagu serta kamera internal untuk menangkap respons pupil terhadap stimulus cahaya. Citra pupil kemudian dianalisis melalui segmentasi visual dan algoritma Convolutional Neural Network (CNN) untuk mengekstraksi pola dinamis pupil secara langsung. Hasilnya diklasifikasikan ke tiga kategori: aman, perlu pemantauan ulang, dan perlu rujukan tenaga medis atau instansi berwenang. Konsep ini berani karena menggeser fokus dari penindakan ke skrining dini berbasis AI di lingkungan pendidikan, dengan pendekatan non-invasif yang menghindari tes urine atau darah yang mahal dan membutuhkan prosedur medis sehingga sulit dilakukan berkala di sekolah maupun kampus.
Dampak praktis: dari konsep PKM ke kesehatan komunitas
Baik Glicovia maupun SiMata memperlihatkan pola baru: inovasi mahasiswa kesehatan tidak berhenti pada prototipe, tetapi menawarkan logika implementasi di level komunitas. Glicovia dirancang agar data pemeriksaan terdokumentasi dan riwayat hasil dapat dipakai untuk pemantauan berkelanjutan. Ini membuka kemungkinan skrining berkala di berbagai konteks tanpa bergantung pada rumah sakit besar. Di sisi lain, tim SiMata menyusun roadmap implementasi 2025–2030 yang mengandalkan kolaborasi antara lembaga pembuat kebijakan, otoritas kesehatan untuk verifikasi medis, kementerian pendidikan, serta sekolah dan kampus sebagai pelaksana. Pendekatan ini penting: AI tidak boleh berdiri sendiri; ia harus terikat pada ekosistem kebijakan, etika, dan pendampingan profesional. Menariknya, SiMata secara tegas diposisikan hanya sebagai instrumen skrining awal, bukan diagnosis atau pengganti tes konvensional. Sikap hati-hati ini patut diapresiasi di tengah euforia AI yang sering berlebihan.
AI untuk preventive healthcare: keberanian berpihak pada pencegahan
Pelajaran utama dari Glicovia dan SiMata adalah keberanian berpihak pada pencegahan, bukan sekadar pengobatan. Dengan memadukan sensor kesehatan cerdas, algoritma AI, dan rancangan non-invasif, kedua inovasi ini mendekatkan teknologi preventive healthcare ke ruang-ruang yang selama ini sulit dijangkau: rumah, sekolah, dan kampus. Deteksi dini penyakit AI di sini bukan jargon futuristik, melainkan respon konkret terhadap dua krisis nyata: ledakan kasus diabetes dan kerentanan generasi muda terhadap NAPZA.
Kritiknya, tentu, kita tidak boleh menganggap AI sebagai jalan pintas. Tanpa regulasi, validasi medis, dan edukasi publik, alat secanggih apa pun bisa memproduksi rasa aman palsu. Namun, mengabaikan potensi inovasi mahasiswa kesehatan jauh lebih berisiko. Ketika generasi muda yang menjadi kelompok terdampak sekaligus pengembang solusi, urgensi perubahan menjadi lebih otentik. Kesimpulannya jelas: masa depan kesehatan akan ditentukan oleh seberapa berani kita mengintegrasikan AI yang akurat, etis, dan mudah diakses ke dalam kehidupan sehari-hari, dan mahasiswa telah menunjukkan langkah pertama yang meyakinkan.
