Evaluasi Kesiapan Tim IT RS Menghadapi Era AI Medis dan Big Data

Sobat IT RS, akhir-akhir ini obrolan di grup WA udah rame soal AI medis dan big data. Ada yang panik, ada yang antusias, ada juga yang pura-pura paham padahal bingung. “Nanti kalau RS kita disuruh pakai AI buat deteksi stroke dari CT Scan, warehouse data kita kuat enggak? Dataset kita layak training enggak? Tim bisa ikut main atau nonton doang?” Pertanyaan-pertanyaan kayak gini makin sering muncul, apalagi kalau atasan tiba-tiba bawa materi seminar dari Kemkes atau vendor.

Ngomongin AI dan big data buat RS itu bukan soal keren-kerenan. Bukan cuma nyolok server terus install library Python. Ini urusan data warehouse, kebersihan data medis, sampai tim IT kudu upgrade skill. Yuk kita bedah satu-satu, apa aja yang kudu dievaluasi supaya RS enggak cuma jadi penonton di era AI medis dan big data.

1. Data Warehouse RS: Fondasi atau Bom Waktu?

Warehouse itu pondasi. Kalau fondasi miring, AI-nya ikut miring. Sobat IT RS sering nemu warehouse kayak begini:

• Isi tabel transaksi_pelayanan campur aduk, kadang diagnosis dobel, kadang kosong
• Data pasien ganda, ID pasien bisa beda tapi ternyata orangnya sama
• Kolom ICD-10 diisi "Tidak tahu" biar klaim ngebut
• Query join lambat, index amburadul

Warehouse bagus cirinya:

• Struktur jelas, relasi antar tabel logis
• Data pasien, layanan, hasil lab, farmasi, penunjang, billing: terhubung konsisten
• Index bener, query report kilat
• Update rutin, backup jelas, logging akses tercatat

Studi Kasus: Skema Tabel Warehouse Ideal

-- Skema minimalis warehouse medis

CREATE TABLE pasien (
  id_pasien SERIAL PRIMARY KEY,
  no_rm VARCHAR(20) UNIQUE,
  nama_pasien VARCHAR(100),
  tgl_lahir DATE,
  jenis_kelamin CHAR(1),
  alamat TEXT
);

CREATE TABLE rawat_inap (
  id_inap SERIAL PRIMARY KEY,
  id_pasien INT REFERENCES pasien(id_pasien),
  tgl_masuk TIMESTAMP,
  tgl_keluar TIMESTAMP,
  diagnosa_masuk VARCHAR(10),
  diagnosa_keluar VARCHAR(10),
  dokter_penanggung_jawab VARCHAR(50)
);

CREATE TABLE hasil_lab (
  id_lab SERIAL PRIMARY KEY,
  id_inap INT REFERENCES rawat_inap(id_inap),
  tgl_periksa TIMESTAMP,
  nama_pemeriksaan VARCHAR(50),
  hasil VARCHAR(50),
  satuan VARCHAR(10)
);

• Kunci utama jelas
• Referensi antar tabel (FOREIGN KEY) ketat
• Tipe data sesuai (tanggal bukan VARCHAR)
• Tidak ada kolom "bebas" tanpa format

Checklist Evaluasi Warehouse Sobat

• Relasi tabel jelas, tidak ada orphan record
• Data primary key tidak ganda
• Tidak ada data dummy ("-","x", "Tidak tahu") di kolom utama
• Backup berjalan (lihat log backup mingguan)
• Index untuk kolom sering dicari sudah terpasang
• Monitoring health (disk, RAM, query slow log) aktif

Warehouse ngaco? AI pasti gagal training. AI perlu data “bersih”, bukan sekadar banyak.

2. Kebersihan Data Medis: Kunci AI Gak Ngelantur

AI makan data. Kalau data medis jorok, output ngaco, bikin darah tinggi. Cek beberapa kasus nyata di lapangan:

• Diagnosis “Infeksi Paru” kadang ditulis “Inf.paru”, “Pneumonia”, “Infeksi paru-paru”, data scientist auto pusing
• Berat badan diisi “70kg” (harusnya numerik), kadang “tujuh puluh”, kadang kosong
• Hasil lab “Negatif/Positif” dicampur dengan “0/1”, AI bingung mapping
• Field tanggal lahir kadang 1977/01/06 kadang 06-01-1977, kadang “1977” doang

Contoh Query Bersihkan Data Diagnosis

-- Standarisasi diagnosis utama rawat inap
UPDATE rawat_inap
SET diagnosa_masuk = 'PNEUMONIA'
WHERE LOWER(diagnosa_masuk) IN ('inf.paru', 'infeksi paru', 'pneumonia', 'infeksi paru-paru');

Tahap bersih-bersih wajib:

• Mapping diagnosis ke ICD-10 resmi (bukan label bebas)
• Konversi data numerik (berat, suhu, tensi) ke tipe float/integer
• Validasi tanggal (format seragam, enggak ada tanggal mustahil “31-02-2023”)
• Kolom hasil lab: mapping ke enum baku (“NEGATIF”, “POSITIF”, “INDETERMINATE”)

Script Validasi Data Kosong/Kotor

-- Cek field diagnosis kosong atau ngawur
SELECT COUNT(*) FROM rawat_inap
WHERE diagnosa_masuk IS NULL OR diagnosa_masuk = '-' OR diagnosa_masuk = 'Tidak tahu';

-- Cek data pasien ganda
SELECT no_rm, COUNT(*) 
FROM pasien
GROUP BY no_rm
HAVING COUNT(*) > 1;

Langkah Otomatisasi Pembersihan Data

• Pakai trigger validasi di DB: tolak data ngawur sebelum masuk warehouse
• Cek periodik dengan script SQL di atas, report ke admin/data steward
• Bina user input: training petugas entry data, kasih warning pop-up kalau entry salah

Kalau malas bersihin data, AI kerjaannya main tebak-tebakan. Output diagnosis, rekomendasi farmasi, prediksi length of stay, jadi lucu. Data kotor, AI makin ngawur.

3. Kompetensi Tim IT Kesehatan: Siap Ngegas AI/Big Data?

AI dan big data bukan urusan vendor doang. Tim IT RS harus naik kelas. Skill yang wajib dipunyai:

• Paham SQL tingkat lanjut (window function, CTE, pivot table)
• Bisa monitoring dan tuning query (explain plan, slow query log, indexing)
• Paham ETL (Extract, Transform, Load) data antar sistem (misal, HIS ke warehouse ke reporting BI)
• Ngerti konsep data lake, warehouse, dan data pipeline RS
• Dasar scripting Python/R buat data wrangling (bukan harus jago, tapi ngerti alurnya)
• Paham security data medis (enkripsi, masking, akses kontrol)

Contoh: Query Canggih Buat Analisa LOS (Length of Stay)

-- Hitung rata-rata length of stay tiap diagnosis
SELECT
  diagnosa_keluar,
  ROUND(AVG(EXTRACT(day FROM tgl_keluar - tgl_masuk)),1) AS avg_los,
  COUNT(*) AS total_kasus
FROM rawat_inap
WHERE tgl_keluar IS NOT NULL
GROUP BY diagnosa_keluar
ORDER BY avg_los DESC;

Checklist Kompetensi Tim

• Bisa join data antar tabel dengan relasi yang benar
• Mampu tracking perubahan data (audit trail, versioning)
• Ngerti cara masking/anonymize data sebelum dikasih ke pihak luar (misal untuk research/AI training)
• Bisa debugging error SQL, bukan cuma copas query
• Paham regulasi data medis (Permenkes, ISO 27001, dsb)
• Bisa komunikasi sama user medis, bukan cuma ngomong teknis ke sesama IT

Studi Kasus: Data Leak Karena Kurang Paham Security

RS X kasih akses dump tabel pasien lengkap ke vendor AI buat training. File dikirim mentah, tanpa masking. Nama, alamat, no HP pasien bocor. Kena audit, RS pusing. Solusi:

-- Masking data sebelum export (Postgres contoh)
SELECT
  left(nama_pasien,1) || repeat('*',length(nama_pasien)-1) as nama_pasien,
  'XXXXX' as alamat,
  left(no_rm,4) || repeat('X',length(no_rm)-4) as no_rm,
  tgl_lahir, jenis_kelamin
FROM pasien;

• Tim harus ngerti masking data, jangan serahkan semua ke vendor
• Audit akses data, log siapa yang export
• Training tim soal privacy dan keamanan data medis

4. Mental Model Tim IT: Proaktif atau Nunggu Disuruh?

Tim IT RS sering kebiasaan reaktif. Disuruh dulu baru jalan. AI medis dan big data butuh mental proaktif:

• Rajin cek kualitas data, bukan tunggu user komplain
• Update pengetahuan, ikut webinar, baca guideline terbaru
• Ngobrol sama user medis, gali kebutuhan real di lapangan
• Kolaborasi lintas unit: rekam medik, keuangan, penunjang, bukan jalan sendiri-sendiri

Contoh Proaktif: Audit Data Rutin

-- Schedule audit mingguan data diagnosis ganda/kosong
SELECT
  tgl_masuk::date,
  COUNT(*) AS total_pasien,
  SUM(CASE WHEN diagnosa_masuk IS NULL OR diagnosa_masuk = '-' THEN 1 ELSE 0 END) AS diagnosis_kosong
FROM rawat_inap
GROUP BY tgl_masuk::date
ORDER BY tgl_masuk::date DESC;

• Laporan hasil audit dishare ke atasan/unit terkait
• Catat tindakan follow up (data dibenerin, SOP diperbaiki, training user)

5. Evaluasi Kesiapan: Checklist Praktis Buat RS

• Warehouse siap (struktur, relasi, performance, backup ok)
• Data medis bersih (diagnosis, hasil lab, identitas, tanggal, numerik valid)
• Tim IT paham SQL, ETL, security, masking/anonymize data
• Security dasar jalan (akses, audit, masking, backup, enkripsi storage)
• Tim proaktif, mau belajar, siap kolaborasi lintas unit

Checklist Excel Sederhana Evaluasi

| Komponen               | Skor (1-5) | Catatan                 |
|------------------------|------------|-------------------------|
| Struktur warehouse     |            |                         |
| Relasi tabel           |            |                         |
| Kualitas data medis    |            |                         |
| Backup & restore       |            |                         |
| Indexing & performa    |            |                         |
| Security & masking     |            |                         |
| Skill SQL tim IT       |            |                         |
| Kolaborasi antar unit  |            |                         |

Isi bareng-bareng tim. Nilai rendah? Prioritaskan perbaikan sebelum lari-lari ke proyek AI. Data harus layak dulu, SDM siap, baru lirik AI medis/big data.

6. Rekomendasi Aksi: Mulai dari Mana?

• Audit warehouse: cek struktur, backup, index, relasi
• Bersihkan data diagnosis, lab, pasien (bikin mapping, validasi, training user entry data)
• Upgrade skill tim: pelatihan SQL, ETL, basic Python/R, security data, ikut komunitas
• Bikin SOP masking data sebelum sharing eksternal
• Siapkan audit log, backup, dan monitoring otomatis
• Diskusi dengan user medis: kebutuhan AI realnya apa?

Sobat IT RS, AI medis dan big data enggak cuma urusan alat, tapi soal kesiapan pondasi data, kebersihan, dan skill tim. Jangan kejar hype, evaluasi dulu semua komponen di atas. Kalau pondasi mantap, AI masuk... tinggal ngegas!