Kemajuan kecerdasan buatan (AI) telah membawa perubahan besar dalam berbagai bidang, termasuk kesehatan. Kini, muncul generasi baru AI yang tidak hanya mampu membaca data, tetapi juga memahami bahasa manusia dan memberikan jawaban layaknya pakar medis.
Teknologi ini disebut Large Language Models (LLMs), model bahasa besar seperti ChatGPT, Med-PaLM, atau BioGPT yang dilatih menggunakan miliaran kata dari teks medis, laporan penelitian, hingga catatan pasien anonim. Sebuah studi berjudul “A Survey of Large Language Models for Healthcare: From Data, Technology, and Applications to Accountability and Ethics” mengulas secara mendalam bagaimana LLM mulai mengubah cara kerja dunia kesehatan, sekaligus menimbulkan pertanyaan besar tentang etika, keadilan, dan tanggung jawab.
Sebelum era LLM, dunia medis telah menggunakan Pretrained Language Models (PLMs) seperti BioBERT untuk membantu klasifikasi penyakit atau membaca data genom. Namun, PLM bersifat sempit mereka hanya “mengerti” data, bukan “berdialog”.
LLM membawa perubahan besar: mereka dapat berkomunikasi secara alami, memahami konteks, dan menghasilkan teks baru. Contohnya:
- Membantu dokter menjelaskan diagnosis dalam bahasa yang mudah dipahami pasien.
- Menyusun laporan medis otomatis dari catatan rekam pasien.
- Menjawab pertanyaan tentang interaksi obat, gejala penyakit, hingga prosedur medis.
Dengan kemampuan ini, LLM berperan sebagai asisten digital medis, bukan sekadar alat, tapi mitra berpikir.
Baca juga artikel tentang: Kombinasi Superfood dan Obat: Potensi dan Tantangannya dalam Dunia Kesehatan
Pergeseran Paradigma: Dari PLM ke LLM
Para peneliti menyebut peralihan ini sebagai “significant paradigm shift” perubahan besar dalam cara kita memahami AI medis. LLM tidak hanya meniru pola data, tetapi menghasilkan respons yang baru berdasarkan pemahaman kontekstual.
Secara ilmiah, ini mencerminkan dua pergeseran utama:
- Dari diskriminatif ke generatif – dari sekadar mengenali data menuju menciptakan pengetahuan baru.
- Dari model-sentris ke data-sentris – menekankan pentingnya kualitas, keberagaman, dan etika data dibanding sekadar membesarkan model.
Paradigma baru ini memungkinkan LLM meniru cara kerja dokter manusia: menggabungkan berbagai sumber informasi untuk menarik kesimpulan secara rasional dan berbasis data.
Aplikasi Nyata di Dunia Kesehatan
Penelitian Kai He dan timnya meninjau berbagai proyek medis yang telah menggunakan LLM:
- Med-PaLM (Google DeepMind): LLM medis yang menjawab pertanyaan kesehatan dengan akurasi setara dokter umum.
- BioGPT (Microsoft): Dirancang untuk membaca dan menafsirkan literatur biomedis.
- ClinicalGPT: Menganalisis catatan pasien untuk membantu diagnosis dan rencana pengobatan.
LLM juga mulai diterapkan di:
- Radiologi: membantu menafsirkan hasil MRI atau CT scan.
- Farmasi: menemukan kandidat obat baru melalui pencarian literatur otomatis.
- Administrasi rumah sakit: menyusun laporan dan ringkasan pasien, menghemat waktu dokter hingga 30%.
Dengan kemampuan ini, LLM berpotensi mengurangi beban tenaga medis, mempercepat diagnosis, dan meningkatkan efisiensi sistem kesehatan.
Tantangan Ilmiah: Etika dan Keamanan Data
Namun, di balik potensi besar itu, peneliti juga menyoroti empat tantangan utama yang harus diatasi sebelum AI bisa benar-benar “dipercaya” di dunia medis.
a. Fairness (Keadilan)
Data pelatihan LLM sering bias secara geografis dan demografis. Misalnya, lebih banyak data pasien dari negara maju. Akibatnya, model mungkin memberikan hasil yang tidak akurat untuk populasi lain. Secara sains, ini disebut data representational bias, dan menjadi isu serius dalam AI ethics.
b. Accountability (Tanggung Jawab)
Jika AI memberi saran medis yang salah, siapa yang harus bertanggung jawab? Dalam etika biomedis modern, prinsip accountability menuntut adanya mekanisme yang jelas untuk memastikan setiap keputusan medis tetap memiliki “jejak manusia” sebagai penanggung jawab.
c. Transparency (Keterbukaan)
Sebagian besar LLM bersifat black box: kita tidak tahu bagaimana mereka membuat keputusan. Dunia medis menuntut explainable AI, sistem yang dapat menjelaskan alasan di balik setiap rekomendasi, karena nyawa pasien bergantung padanya.
d. Ethics (Etika dan Privasi)
LLM memerlukan data besar, yang sering kali mencakup informasi pasien. Tantangannya adalah bagaimana memastikan privasi tetap terjaga tanpa menghambat kemajuan riset medis. Studi ini menekankan pentingnya federated learning, yaitu metode pelatihan AI tanpa memindahkan data pasien dari rumah sakit asalnya.
Pendekatan Data-Sentris: Sains yang Lebih Adil dan Aman
Studi ini juga menyoroti perubahan besar dalam penelitian AI medis: dari fokus pada “model yang makin besar” menjadi fokus pada data yang makin baik. Dalam paradigma baru ini, keberagaman data (gender, ras, usia, kondisi medis) dianggap sama pentingnya dengan kecanggihan algoritma.
Pendekatan ini selaras dengan prinsip sains modern:
“AI yang adil bukanlah yang paling pintar, tapi yang paling memahami manusia.”
Dengan menyediakan open-source medical datasets dan kolaborasi lintas negara, para ilmuwan berharap dapat menciptakan model medis yang tidak hanya cerdas, tetapi juga inklusif dan etis.
Masa Depan: Kolaborasi Manusia dan Mesin
LLM tidak dimaksudkan untuk menggantikan dokter, tetapi menjadi kolaborator cerdas.
AI dapat:
- Menganalisis ribuan jurnal medis dalam hitungan detik.
- Memberikan rekomendasi berdasarkan data global.
- Membantu pasien memahami kondisi mereka dengan bahasa sederhana.
Namun keputusan akhir tetap harus di tangan manusia. Dunia medis yang ideal adalah di mana AI memperkuat intuisi manusia, bukan menyingkirkannya.
Penelitian ini menegaskan satu hal penting: kemajuan teknologi harus berjalan seiring dengan kemajuan moral. Large Language Models telah membuka bab baru dalam sains kesehatan, tetapi keberhasilannya tidak hanya diukur dari kecerdasan algoritma, melainkan dari kemampuannya untuk adil, transparan, dan bertanggung jawab.
Kita kini berada di persimpangan sejarah sains modern: Apakah kita akan menciptakan sistem medis yang lebih manusiawi dengan bantuan AI, atau membiarkan AI mengaburkan nilai-nilai kemanusiaan yang menjadi dasar ilmu kedokteran?
Jawabannya bergantung pada bagaimana kita (ilmuwan, dokter, dan masyarakat) menjaga keseimbangan antara kecerdasan buatan dan kebijaksanaan manusia.
Baca juga artikel tentang: Infiltrasi Mikroplastik dalam Makanan: Disrupsi Sistem Farmakologi dan Kesehatan Manusia
REFERENSI:
He, Kai dkk. 2025. A survey of large language models for healthcare: from data, technology, and applications to accountability and ethics. Information Fusion 118, 102963.
