Beberapa tahun terakhir, rumah sakit di seluruh dunia mulai “merekrut” asisten baru yang bukan manusia kecerdasan buatan generatif (Generative AI). AI ini tidak hanya membantu dokter menulis laporan medis atau menjawab pertanyaan pasien, tapi juga bisa menganalisis ribuan catatan kesehatan dengan kecepatan luar biasa.
Namun, di balik kecanggihannya, muncul pertanyaan besar: Apakah teknologi ini benar-benar menghemat biaya kesehatan, atau justru menambah pengeluaran baru?
Itulah yang diteliti oleh Michael L. Burns dan timnya (2025) dalam makalah berjudul “Generative AI Costs in Large Healthcare Systems.” Penelitian ini mencoba menimbang untung-rugi penggunaan AI generatif dalam sistem kesehatan besar, khususnya dalam satu hal yang sering diabaikan, siklus pendapatan (revenue cycle) rumah sakit.
Baca juga artikel tentang: Kombinasi Superfood dan Obat: Potensi dan Tantangannya dalam Dunia Kesehatan
Mengapa AI Mulai Masuk ke Dunia Kesehatan
Sistem kesehatan modern menghasilkan gunung data setiap detik, mulai dari catatan dokter, hasil lab, hingga klaim asuransi. Namun, sebagian besar data itu berbentuk teks bebas (free text), seperti catatan medis yang ditulis dengan bahasa alami oleh tenaga medis. Inilah medan yang cocok untuk large language models (LLM), yaitu AI seperti ChatGPT yang bisa memahami dan mengolah bahasa manusia.
Contohnya:
- AI bisa membaca ribuan laporan dokter untuk menemukan kesalahan pencatatan.
- AI bisa mengklasifikasikan diagnosa dari teks panjang menjadi kategori medis terstruktur.
- AI bahkan bisa membantu tim administrasi rumah sakit mempercepat proses klaim asuransi, yang biasanya rumit dan memakan waktu lama.
Hasilnya? Lebih cepat, lebih efisien, dan secara teori lebih murah. Namun, seperti semua teknologi baru, teori belum tentu sama dengan kenyataan.
Biaya Tersembunyi di Balik AI Generatif
Penelitian Burns menunjukkan bahwa AI generatif memang menjanjikan, tapi tidak selalu hemat biaya. Meskipun sistem seperti ChatGPT bisa digunakan untuk memahami catatan medis, biaya komputasi yang dibutuhkan sangat besar.
Setiap kali model besar memproses data, diperlukan energi dan sumber daya komputasi yang intensif, dari server berkinerja tinggi hingga penyimpanan aman untuk data medis sensitif. Dalam skala rumah sakit besar, beban ini bisa berarti biaya jutaan dolar per tahun.
Selain itu, AI generatif tidak selalu paling efisien. Model yang lebih kecil dan khusus (disebut domain-specific models) sering kali menghasilkan akurasi serupa dengan biaya jauh lebih rendah.
Studi ini menemukan bahwa kombinasi antara model lokal dan model komersial (seperti ChatGPT atau Claude) bisa jadi solusi paling seimbang. Dengan kata lain, tidak semua masalah perlu diselesaikan oleh AI raksasa.
Contoh Kasus: Revenue Cycle Management
Salah satu area yang diuji adalah revenue cycle management (RCM) proses administratif yang memastikan rumah sakit mendapatkan pembayaran untuk layanan yang diberikan.
Ini mencakup:
- pencatatan diagnosis dan prosedur medis,
- pengkodean klaim ke asuransi,
- dan pengecekan ulang data agar tidak ada kesalahan.
Biasanya, proses ini rumit dan mahal karena melibatkan banyak tenaga manusia. AI generatif digunakan untuk mengotomatisasi pengelompokan teks dari catatan medis dan menyusunnya sesuai format klaim asuransi.
Hasilnya memang luar biasa:
- Kecepatan pemrosesan meningkat drastis,
- Kesalahan administratif menurun,
- Dan waktu pembayaran dari asuransi menjadi lebih singkat.
Namun, biaya menjalankan model besar secara terus-menerus juga tinggi. Burns dan timnya mencatat bahwa model alternatif yang lebih kecil bisa mencapai akurasi hampir sama dengan penghematan biaya hingga 40% dibandingkan model besar komersial.
Masalah Baru: Keandalan dan Akurasi
Selain biaya, ada satu hal yang tak kalah penting: keandalan model AI. Dalam dunia medis, kesalahan sekecil apa pun bisa berdampak serius.
Misalnya, jika AI salah mengklasifikasikan diagnosis, klaim asuransi bisa ditolak atau lebih parah, pasien bisa mendapat perawatan yang salah. AI besar seperti ChatGPT mungkin canggih, tetapi tidak selalu memahami konteks klinis yang spesifik. AI bisa membuat kesalahan interpretasi jika data pelatihannya tidak disesuaikan dengan terminologi medis lokal.
Karena itu, para peneliti menyarankan agar sistem kesehatan tidak sepenuhnya bergantung pada model komersial yang bersifat umum. Sebaliknya, perlu dikembangkan AI lokal yang dilatih dari data rumah sakit sendiri, agar lebih relevan, aman, dan hemat biaya.
AI Lokal vs Komersial: Siapa yang Lebih Unggul?
Dari hasil studi, tampak bahwa tidak ada jawaban tunggal. Model komersial seperti ChatGPT unggul dalam fleksibilitas dan kemampuan bahasa alami yang luas, tapi membutuhkan biaya dan sumber daya besar. Model lokal (buatan institusi medis sendiri) mungkin lebih murah dan efisien, tapi terbatas pada konteks tertentu dan memerlukan tim ahli internal untuk pemeliharaan.
Solusi terbaik, kata Burns, adalah menggabungkan keduanya. Gunakan model besar untuk tugas umum (seperti ringkasan teks medis), dan model lokal untuk tugas sensitif (seperti pengkodean diagnosis pasien). Pendekatan hibrid ini bisa menciptakan keseimbangan antara efisiensi, akurasi, dan keamanan data.
Mengapa Ini Penting bagi Sistem Kesehatan
Dunia kesehatan sedang berada di persimpangan digital. Biaya medis terus naik, sementara tenaga kerja administratif semakin terbebani oleh tumpukan data. AI generatif memberi harapan bukan hanya untuk mengurangi beban kerja, tapi juga membuat sistem lebih cepat dan transparan.
Namun, seperti yang diingatkan penelitian ini, AI juga membawa tagihan tersendiri. Tanpa perencanaan matang, biaya komputasi dan perawatan sistem bisa meniadakan manfaat ekonominya.
Dengan memahami keseimbangan antara kinerja dan biaya, rumah sakit dapat mengambil keputusan yang lebih cerdas bukan sekadar “ikut tren teknologi,” tapi benar-benar mengoptimalkan AI untuk pelayanan kesehatan.
AI generatif kini sedang menjadi bintang di dunia medis, mampu menulis catatan, mengelola data, dan membantu administrasi dengan kecepatan super. Namun, seperti halnya alat medis lain, efisiensi bukan hanya soal kemampuan, tapi juga biaya dan keberlanjutan.
Penelitian Burns dkk. menunjukkan bahwa masa depan AI di kesehatan tidak ditentukan oleh siapa yang paling canggih, melainkan siapa yang paling seimbang, antara akurasi, keamanan, dan pengeluaran.
Mungkin, dalam waktu dekat, rumah sakit akan memiliki “dua otak”: satu manusia, satu mesin. Dan keduanya harus bekerja bersama, bukan hanya untuk menghemat biaya, tapi untuk memastikan bahwa setiap pasien mendapatkan perawatan terbaik dengan teknologi yang bertanggung jawab.
Baca juga artikel tentang: Infiltrasi Mikroplastik dalam Makanan: Disrupsi Sistem Farmakologi dan Kesehatan Manusia
REFERENSI:
Burns, Michael L dkk. 2025. Generative AI costs in large healthcare systems, an example in revenue cycle. npj Digital Medicine 8 (1), 579.
