lidia-susanto
Bagi pasien, ke rumah sakit sudah seperti memasuki labirin biaya: belum pulih fisiknya, tagihan justru menguras tabungan. Kini muncul kekhawatiran baru bahwa teknologi yang dijanjikan untuk mempercepat dan mengefisienkan pelayanan justru menambah beban itu. Asosiasi Blue Cross Blue Shield Association (BCBSA), salah satu jaringan asuransi kesehatan terbesar di Amerika Serikat, mencatat dugaan lonjakan biaya rumah sakit hingga mencapai US$ 1 miliar yang terkait dengan pola pengkodean medis yang semakin kompleks — sebagian diduga dipicu oleh pemanfaatan kecerdasan buatan.
Mengapa hal ini penting bagi kita? Karena sistem kesehatan di banyak negara, termasuk Indonesia, sedang giat mengadopsi teknologi serupa. Ketika rumah sakit memasang perangkat lunak berbasis AI (Artificial Intelligence/kecerdasan buatan) untuk membantu dokter mencatat diagnosis, menyiapkan rujukan, hingga mengisi berkas administrasi, harapannya satu: pekerjaan lebih cepat, kesalahan berkurang, biaya turun. Kenyataannya, sebagian data menunjukkan arah yang berlawanan.
Bagaimana AI Bisa 'Menaikkan' Tagihan?
Inti masalahnya ada pada apa yang disebut pengkodean medis. Setiap kali seseorang berobat, tenaga kesehatan menerjemahkan keluhan dan hasil pemeriksaan ke dalam kode diagnosa dan prosedur. Kode inilah yang kemudian dipakai asuransi untuk menentukan berapa besar perlindungan yang dibayarkan. Sistemnya ibarat struk belanja: semakin banyak dan semakin mahal item yang tertulis, semakin besar total yang harus dibayar.
Di sinilah peran machine learning (pembelajaran mesin, cabang AI yang belajar dari data historis) masuk. Perangkat lunak AI mampu memindai rekam medis elektronik dan menyarankan kode diagnosa tambahan yang sebelumnya mungkin terlewat — misalnya kondisi penyerta (komorbiditas) yang kronis namun jarang disebut pasien. Secara harfiah, algoritma tersebut bekerja sangat teliti. Namun ketelitian itu, jika tidak diawasi ketat, bisa mengubah catatan klinis menjadi label yang lebih 'berat' secara administratif.
Ibarat aplikasi koreksi otomatis di ponsel yang justru membuat pesan Anda lebih panjang dan berbelit, AI pengkodean bisa mengubah satu keluhan sederhana menjadi rentetan kode berbiaya tinggi. Dampaknya langsung terasa pada premi asuransi dan out-of-pocket cost (biaya yang ditanggung sendiri pasien). BCBSA menyebutkan kontribusi pengkodean kompleks ini terhadap tagihan yang lebih tinggi, dan angka kerugiannya diperkirakan menembus satu miliar dolar AS.
Siapa yang Diuntungkan, Siapa yang Menanggung?
Ada tarik-menarik kepentingan yang perlu dipahami publik. Bagi penyedia layanan, kode diagnosa yang lebih lengkap berarti reimbursement (penggantian biaya) yang lebih besar dari asuransi. Bagi vendor teknologi, semakin 'pintar' perangkatnya menemukan kode tambahan, semakin laris produknya dipasarkan. Namun bagi pasien dan pemberi premi, efisiensi yang dijanjikan berubah menjadi disrupsi pada kantong.
Perlu ditegaskan: angka US$ 1 miliar tersebut adalah estimasi dari asosiasi asuransi, bukan vonis bahwa seluruh kenaikan berasal dari AI. Faktor lain seperti inflasi medis, kekurangan tenaga kerja, dan kenaikan harga obat juga berperan. Meski demikian, temuan ini mengirim sinyal keras bahwa implementasi teknologi dalam kesehatan tidak boleh berjalan tanpa peta risiko yang jelas.
Di Indonesia sendiri, BPJS Kesehatan dan sejumlah rumah sakit rujukan sudah mulai bereksperimen dengan AI untuk membantu pembacaan citra radiologi, prediksi panjang antrean, hingga otomatisasi berkas. Jika tidak ada regulasi pengkodean yang tegas, kekhawatiran serupa bisa terjadi di sini. Ibarat memasang turbo pada mobil tanpa rem yang mumpuni, kecepatan layanan meningkat, tetapi kendali atas biaya bisa lepas.
Jalur Keluar: Transparansi, Audit, dan Etika Data
Para peneliti dan pengembang di bidang deep tech (teknologi berbasis riset sains mendalam) menekankan tiga prinsip. Pertama, transparansi algoritma: rumah sakit harus bisa menjelaskan mengapa sebuah kode diagnosa dipilih, bukan sekadar menerima saran mesin tanpa verifikasi. Kedua, audit independen secara berkala terhadap pola pengkodean, sehingga anomali terdeteksi sebelum menumpuk. Ketiga, etika penggunaan data pasien — informasi kesehatan tidak boleh dieksploitasi semata untuk mengoptimalkan pendapatan fasilitas.
Ada juga model tata kelola di mana keputusan akhir tetap berada di tangan dokter. AI berposisi sebagai asisten, bukan pengganti. Pendekatan ini sejalan dengan prinsip human-in-the-loop (manusia ikut dalam proses keputusan), yang kini banyak diadopsi industri. Dengan begitu, inovasi tetap berjalan tanpa mengorbankan perlindungan finansial pasien.
Secara keseluruhan, teknologi tidak bisa disalahkan sepenuhnya. Masalah muncul ketika insentif bisnis lebih kuat daripada misi kesehatan. Rumah sakit, penyedia platform, dan perusahaan asuransi perlu duduk di meja yang sama untuk menyepakati standar pengkodean yang adil. Pasien, sebagai pihak paling rentan, harus mendapat jaminan bahwa tagihan yang mereka terima mencerminkan layanan yang benar-benar diterima — bukan hasil 'optimasi' algoritma.
Ke depan, ujian sebenarnya bagi implementasi AI di sektor kesehatan bukan sekadar seberapa akurat mesinnya, melainkan seberapa manusiawi dampaknya. Jika teknologi yang seharusnya mengefisienkan justru membuat rakyat makin mahal berobat, maka inovasi itu perlu dikoreksi sebelum menjadi kebiasaan yang sulit dibendung.
Comments (0)