● Keterlambatan deteksi tuberkulosis (TB) bisa memperluas penularan dan mengancam nyawa pasien.
● Untuk membaca hasil rontgen dan mendeteksi TB, Indonesia masih mengandalkan radiolog yang jumlahnya terbatas dan jarang ada di pelosok daerah.
● Teknologi pembaca rontgen berbasis AI bisa menjawab masalah keterbatasan dokter dan mempercepat deteksi TB.
Keterlambatan deteksi tuberkulosis menghambat upaya pemberantasan TB—yang masih menjadi momok penyakit menular paling mematikan di Indonesia.
Salah satu alasannya: jumlah radiolog (dokter spesialis membaca hasil rontgen) masih terbatas. Hanya ada sekitar 2.212 radiolog untuk mendeteksi lebih dari sejuta kasus TB di Tanah Air.
Tanpa diagnosis cepat dan akurat, kondisi pasien TB bisa memburuk, bahkan berisiko kehilangan nyawa. Penularan penyakit juga semakin meluas.
Guna meningkatkan akurasi pembacaan hasil rontgen saat mendeteksi TB, Organisasi Kesehatan Dunia (WHO) merekomendasikan perangkat lunak berbasis kecerdasan buatan (AI). Namanya sistem deteksi berbantuan komputer alias computer-aided detection (CAD).
Teknologi ini sanggup “membaca” hasil rontgen (X-ray) dalam hitungan detik.
Sejak tahun 2024, kami—bersama para peneliti lintas universitas di Indonesia dan Australia—tengah mengembangkan teknologi CAD untuk deteksi TB di Tanah Air.
Akurat membaca hasil rontgen TB
WHO telah merekomendasikan penggunaan CAD sejak tahun 2021. Alasannya, CAD mampu memberikan hasil pembacaan rontgen yang sama akurat dan konsisten dengan manusia.
Rontgen merupakan alat potret dengan sinar-X dosis rendah yang bisa menampilkan gambaran organ dalam tubuh. Hasil rontgen membantu dokter mengidentifikasi kerusakan paru pada pasien TB. Keberadaan Mycobacterium tuberculosis biasanya ditandai dengan bercak putih pada paru.
Nah, kecerdasan buatan dalam CAD bisa meningkatkan sensitivitas (kemampuan menemukan pasien sakit) dan mendeteksi kelainan pada hasil rontgen sebesar 26%. Teknologi ini juga bisa mempersingkat waktu pembacaan sebesar 31%.
Dengan sederet keunggulannya, CAD seharusnya masuk ke dalam program percepatan deteksi tuberkulosis yang sudah dimulai pemerintah Indonesia sejak tahun 2024.
Read more: Penemuan kasus TB di Indonesia meningkat drastis: pemerintah harus segera lakukan ini
Saat ini pemerintah mulai menggunakan metode “jemput bola” alias active case finding (ACF) dengan mengandalkan alat X-ray portabel untuk mempercepat penemuan kasus TB pada populasi berisiko dan rentan. Contohnya, anak-anak, lansia, orang dengan sistem kekebalan tubuh lemah, serta orang yang kontak erat dengan pasien TB.
Pemerintah telah menyebarkan 25 unit alat X-ray portabel ke 15 kabupaten/kota di delapan provinsi prioritas dengan kasus TB tertinggi. Di antaranya, Banten, Sumatera Utara, hingga Maluku.
Sayangnya, keterbatasan dokter radiologi di daerah bisa memengaruhi akurasi deteksi TB. Distribusi radiolog juga tidak merata, kebanyakan berpusat di Pulau Jawa dan kota-kota besar.
Kasus TB yang berhasil dideteksi pada 2024 hanya sekitar 885 ribu dari perkiraan 1 juta kasus tuberkulosis yang ada.
Penelitian tahun 2026 dalam BJR Open mengungkap bahwa pemadanan CAD dengan alat X-ray portabel bisa mempermudah dan memperluas deteksi TB hingga daerah terpencil. Terutama daerah-daerah dengan sumber daya terbatas dan kekurangan dokter radiologi.
Sayangnya, Indonesia belum mengembangkan secara nasional teknologi CAD untuk deteksi TB, sehingga kita masih bergantung dengan negara lain.
Teknologi CAD dari negara lain belum tentu sepenuhnya akurat karena tidak dilatih menggunakan data spesifik masyarakat Indonesia.
Read more: Dilema penggunaan AI di ICU: Rentan picu tindakan medis yang keliru
Pengembangan CAD di Indonesia
Saat ini, tim penelitian kami yang dikepalai Pusat Kedokteran Tropis Universitas Gadjah Mada (UGM) tengah mengembangkan teknologi CAD berbasis AI.
Proyek ini merupakan kolaborasi lintas institusi Indonesia dan Australia. Perguruan tinggi lain yang dilibatkan, meliputi University of Melbourne, Universitas Sebelas Maret, dan Monash University Indonesia.
Proyek ini turut melibatkan Yayasan Pengembangan Kesehatan dan Masyarakat Papua (YPKMP), Pusat Rehabilitasi YAKKUM, serta Sentra Advokasi Perempuan, Difabel, dan Anak (SAPDA).
Untuk mengembangkan dan memvalidasi model AI, riset kami mengumpulkan foto rontgen dada 1.930 pasien TB dari Sleman dan Bantul, Yogyakarta; Klaten, Jawa Tengah: dan Mimika, Papua Tengah.
Model CAD yang ada saat ini menunjukkan sensitivitas (menemukan pasien sakit) sebesar 79,31% dan spesifisitas (membedakan yang sehat) hingga 65%.
Angka ini memenuhi sebagian target minimal untuk skrining TB dari WHO dengan spesifisitas 60%. Namun, sensitivitas CAD masih di bawah target 90%.
Untuk mencapai target tersebut, kami masih mengumpulkan data tambahan sembari memperbaiki sistem AI, sebelum CAD diterapkan secara luas.
Kami juga melakukan survei dan wawancara mendalam terhadap 1.665 pasien TB untuk mengidentifikasi hambatan yang mereka hadapi dalam mengakses layanan kesehatan, khususnya layanan tuberkulosis.
Hal ini penting untuk memastikan bahwa pengembangan AI tidak hanya berfokus pada aspek teknis, tetapi juga mempertimbangkan hambatan akses layanan yang dihadapi kelompok rentan.
Banyak PR ke depan
Penerapan AI untuk mendeteksi tuberkulosis di Indonesia bukan tanpa hambatan. Untuk bisa mendeteksi TB pakai AI, kita masih memerlukan kesiapan infrastruktur digital, seperti ruang penyimpanan data, jaringan internet yang kuat dan stabil, serta kemampuan sistem untuk saling terhubung dan berbagi data antardaerah-pusat.
Tanpa pemadanan yang baik, AI berisiko menambah beban kerja tenaga kesehatan, alih-alih membantu mereka.
Pemerintah juga perlu membuat kejelasan aturan di level nasional hingga daerah. Sediakan juga pelatihan bagi tenaga kesehatan untuk menggunakan CAD, agar alat ini bisa digunakan secara luas dan berkelanjutan.
AI bukanlah solusi tunggal dalam upaya eliminasi TB. Teknologi ini sebaiknya diterapkan sebagai alat bantu untuk mempercepat skrining dan memperluas jangkauan deteksi sampai ke daerah terpencil.
Pekerjaan rumah kita sekarang adalah bagaimana memastikan teknologi ini bisa dikembangkan dan dimanfaatkan sesuai dengan konteks lokal, sehingga dapat menjangkau mereka yang selama ini terpinggirkan.
Aulia Shafira dan Muhammad Ali Mahrus dari Pusat Kedokteran Tropis, Fakultas Kedokteran, Kesehatan Masyarakat, dan Keperawatan, Universitas Gadjah Mada turut berkontribusi dalam penulisan artikel ini
