Pada musim pemeriksaan kesehatan berkala (MCU) pekerja, dokter pemeriksa dihadapkan pada evaluasi lintas sistem: hasil laboratorium, spirometri, audiometri, rekam jantung, dan pemeriksaan fisik. Hasil evaluasi tersebut menentukan apakah pekerja berstatus laik, laik dengan catatan, atau tidak laik kerja untuk tugas tertentu.
Seiring berkembangnya perangkat lunak klinis, muncul pertanyaan apakah penetapan status ini dapat diotomatisasi menggunakan algoritma skor.
Pada 1st PERDOKI Jakarta Summit (24 Oktober 2026), sebuah telaah terfokus berbantuan AI menyaring 1.307 rekaman literatur ilmiah untuk menjawab pertanyaan mendasar: seberapa akurat sistem skor dan algoritma otomatis mengidentifikasi pekerja yang dinilai tidak laik kerja (unfit) oleh dokter?
Hasil telaah tersebut menunjukkan bahwa data akurasi diagnostik empiris masih sangat terbatas, menegaskan pentingnya pertimbangan klinis dokter independen bagi keselamatan kerja.
Lanskap Literatur: Keterbatasan Bukti Berpasangan
Telaah literatur mengevaluasi publikasi pada PubMed, Europe PMC, dan indeks klinis nasional menggunakan protokol terfokus pasca-kejadian (post-hoc).
Dari 2.492 rekaman awal, sebanyak 1.307 studi unik melalui penyaringan judul dan abstrak:
- 43 artikel teks lengkap ditelaah secara mendalam.
- 4 studi (dalam 5 laporan publikasi) menyajikan data kuantitatif 2x2 yang membandingkan kriteria skor terhadap keputusan dokter.
- Dalam cakupan telaah ini, data berpasangan teridentifikasi hanya pada dua kelompok kerja: pekerja migas Indonesia dan petugas pemadam kebakaran bahan berbahaya (HAZMAT).
Pada sektor industri lain yang tersaring dalam telaah ini, studi akurasi diagnostik yang membandingkan sistem skor otomatis terhadap panel dokter pemeriksa independen belum ditemukan.
Data Sensitivitas dan Spesifisitas
Dalam penilaian kelaikan kerja, risiko keselamatan terbesar terjadi saat kondisi sakit terlewat (negatif palsu, di mana pekerja yang tidak laik dinilai laik). Dalam metodologi diagnostik, status unfit merupakan kondisi target yang harus dideteksi.
Data pada kelompok kerja yang ditelaah menunjukkan profil berikut:
| Kelompok Pekerja | Kriteria yang Dinilai | Sensitivitas Unfit (95% CI) | Spesifisitas Fit (95% CI) | Konteks Klinis |
|---|---|---|---|---|
| Pekerja Migas Indonesia (n=607) | Skor berbobot multi-parameter | 79,17% (57,85% – 92,87%) | 98,80% (97,54% – 99,52%) | Melewatkan 5 dari 24 pemeriksaan yang dinilai unfit oleh dokter. Titik potong (cut-off) diturunkan dari data yang sama tanpa validasi eksternal. |
| Pemadam Kebakaran HAZMAT (n=340) | Draf kriteria medis NFPA 1582 | 11,11% (0,28% – 48,25%) | 98,79% (96,93% – 99,67%) | Sepakat pada 1 dari 9 penetapan unfit oleh dokter; kriteria melewatkan 8 dari 9 kasus unfit. |
| Pemadam Kebakaran HAZMAT (n=340) | Kriteria konsensus lokakarya ahli | 33,33% (7,49% – 70,07%) | 94,86% (91,90% – 97,00%) | Sepakat pada 3 dari 9 penetapan unfit oleh dokter; kriteria melewatkan 6 dari 9 kasus unfit. |
1. Keterbatasan Titik Ambang pada Satu Kelompok Data
Pada kelompok pekerja migas, sistem mendeteksi 19 dari 24 pemeriksaan unfit. Namun, karena ambang batas dihitung dari kumpulan data yang sama tanpa pengujian pada kelompok pekerja terpisah, potensi bias optimisme data (over-fitting) perlu diperhitungkan. Pada lingkungan kerja berisiko tinggi, terlewatnya 5 dari 24 kondisi unfit menjadi perhatian keselamatan yang nyata.
2. Spesifisitas Tinggi dengan Sensitivitas Rendah
Pada kelompok pemadam kebakaran, kriteria memiliki spesifisitas tinggi (>94%), namun sensitivitasnya rendah (11% hingga 33%). Kriteria otomatis tersebut meloloskan personel yang dinilai dokter spesialis tidak laik untuk bertugas dengan alat pelindung berat pada suhu tinggi.
Tuntutan Konteks Kerja vs Ambang Batas Statis
Rumus skor memiliki keterbatasan karena kelaikan kerja bergantung pada bahaya lingkungan kerja dan beban fisik spesifik, bukan sekadar nilai laboratorium tunggal.
Sebagai contoh, tekanan darah yang meningkat atau kadar glukosa puasa terganggu membawa implikasi operasional yang berbeda:
- Bagi staf administrasi kantor, temuan ini memerlukan edukasi gaya hidup, rujukan medis, dan pemantauan berkala, namun jarang membutuhkan pembatasan kerja segera.
- Bagi operator derek (crane) atau pekerja lepas pantai, kondisi fisiologis yang sama disertai risiko pusing mendadak atau efek samping obat sedatif membawa risiko keselamatan kerja yang memerlukan evaluasi khusus.
Model skor statis hanya menguji batasan angka. Sistem tidak dapat menilai kesesuaian ergonomi, beban kerja nyata, atau konteks klinis individual.
Micromeet membangun infrastruktur AI layanan kesehatan dengan tata kelola yang jelas untuk mendukung perawatan berkelanjutan. Klinisi dan staf berwenang memeriksa keluaran yang berdampak.
Batasan Regulasi dan Praktik di Indonesia
Standar pelayanan kesehatan kerja di Indonesia memberikan batasan tata kelola yang jelas:
- Wewenang Medis Berdasarkan UU No. 17 Tahun 2023 tentang Kesehatan: Surat keterangan kesehatan dan penetapan status kelaikan kerja adalah tindakan medis yang sah jika diterbitkan oleh tenaga medis bersertifikat dan berizin resmi, sebagaimana diatur dalam teks undang-undang di JDIH BPK. Perangkat lunak tidak memiliki legalitas untuk menerbitkan kesimpulan medis mandiri.
- Tata Kelola AI Kesehatan: Dalam kerangka kerja tata kelola inovasi kesehatan Kementerian Kesehatan di JDIH Kemkes, teknologi berfungsi sebagai alat bantu administratif. Sistem diarahkan memiliki jejak audit yang memastikan setiap draf ditinjau oleh dokter pemeriksa.
- Pelindungan Data Pribadi (UU No. 27 Tahun 2022): Rekam medis dan hasil pemeriksaan kesehatan pekerja adalah data pribadi spesifik. Pemanfaatan perangkat lunak wajib memenuhi standar tata kelola data klinis dan kontrol akses yang ketat.
Peran Teknologi: Membantu Draf, Dokter Memutuskan
Bukti ilmiah mengarahkan bahwa teknologi sebaiknya diarahkan untuk meringankan pekerjaan administratif dokter, bukan mengambil alih keputusan medis.
Dokter pemeriksa kerap menghabiskan banyak waktu menyalin hasil lab, mencocokkan satuan, dan mengetik rangkuman draf.
Alur kerja yang aman membagi tugas secara proporsional:
- Dukungan AI Administratif: Menyatukan berkas pemeriksaan dari berbagai format, menstandarkan satuan ukur, menandai nilai di luar rentang rujukan, dan menyiapkan draf laporan yang tertaut ke dokumen sumber.
- Penilaian Dokter Pemeriksa: Mengevaluasi risiko pajanan kerja, menilai kondisi klinis secara menyeluruh, menetapkan status kelaikan kerja, dan mengesahkan laporan.
Melalui MCU CoPilot di dalam Micromeet Care Workspace, teknologi merapikan persiapan dokumen, sementara kewenangan klinis tetap berada di tangan dokter pemeriksa. AI menyusun draf. Dokter yang memutuskan.
Pertanyaan yang Sering Diajukan (FAQ)
Apakah perangkat lunak dapat secara sah menetapkan status "tidak laik kerja" (unfit) bagi karyawan di Indonesia?
Tidak. Berdasarkan UU No. 17 Tahun 2023 tentang Kesehatan, penetapan kelaikan kerja adalah wewenang tenaga medis yang berizin dan memiliki kompetensi. Perangkat lunak hanya berfungsi sebagai alat bantu penyusun draf administratif.
Apa risiko keselamatan utama dari penggunaan skor kelaikan kerja otomatis?
Risiko utamanya adalah sensitivitas yang rendah (negatif palsu), di mana rumus skor otomatis meloloskan pekerja yang sebenarnya memiliki risiko kesehatan yang teridentifikasi oleh dokter melalui pemeriksaan klinis langsung.
Bagaimana fasyankes menerapkan AI secara aman dalam alur pemeriksaan kesehatan kerja?
Fasyankes dapat memanfaatkan AI untuk standardisasi data, penandaan nilai abnormal, dan penyusunan draf awal, dengan memastikan seluruh perubahan draf terdokumentasi dan ditandatangani oleh dokter pemeriksa sebelum laporan diserahkan.
