Dalam sesi kesehatan kerja pada ajang 1st PERDOKI Jakarta Summit pada Sabtu, 24 Oktober 2026, sebuah jajak pendapat informal di ruangan mencerminkan realitas operasional yang dialami para dokter dan pengelola klinik kerja.
Ketika ditanyakan mengenai pengelolaan data pemeriksaan kesehatan berkala (MCU) pekerja sehari-hari, banyak dokter perusahaan dan pengelola fasyankes menyampaikan bahwa lembar sebar seperti Microsoft Excel masih menjadi sarana utama untuk mengompilasi dan mengolah rekapitulasi data pemeriksaan.
Saat ditanyakan lebih lanjut mengenai penggunaan asisten kecerdasan artifisial (AI), sebagian hadirin mengonfirmasi telah mulai mencoba perangkat AI umum untuk membantu merangkum tabel, memilah data abnormal, atau menyusun draf narasi pemeriksaan.
Diskusi tersebut memperlihatkan kebutuhan nyata di lapangan. Tenaga medis menghadapi beban administratif yang tinggi pada musim pemeriksaan MCU tahunan. Namun demikian, menjembatani beban tersebut menggunakan spreadsheet manual dan AI umum di internet memunculkan pertimbangan penting terkait ketelitian data serta pelindungan data medis pekerja.
Mengapa spreadsheet masih bertahan dalam alur kerja MCU kesehatan kerja, dan bagaimana fasyankes dapat menata alur kerja yang tertib dan patuh regulasi?
Realitas Praktis di Balik Penggunaan Spreadsheet dalam MCU
Meskipun sistem informasi rumah sakit (SIMRS) dan rekam medis elektronik (RME) telah diimplementasikan di berbagai fasilitas, spreadsheet tetap dimanfaatkan dalam alur pemeriksaan berkala karena sejumlah faktor operasional:
1. Menyatukan Berkas Pemeriksaan dari Berbagai Sumber
Pemeriksaan kesehatan pekerja umumnya melibatkan berbagai sumber data yang terpisah. Alat laboratorium menghasilkan berkas CSV; perangkat audiometri dan spirometri mengeluarkan laporan PDF mandiri; pemeriksaan fisik tercatat dalam formulir klinis; sementara data pajanan bahaya kerja bersumber dari HR perusahaan.
Sistem informasi fasyankes umumnya dirancang untuk pencatatan kunjungan pasien secara individual, bukan evaluasi kelompok kerja ratusan karyawan sekaligus. Saat harus menyatukan puluhan parameter pemeriksaan dari berbagai mitra lab, tenaga medis memanfaatkan lembar sebar untuk menggabungkan format tabel yang beragam.
2. Permintaan Format Khusus dari Klien Perusahaan
Perusahaan pemberi kerja kerap meminta bentuk pelaporan yang berbeda-beda. Satu klien meminta kriteria risiko kardiovaskular khusus; klien lain meminta pengelompokan kadar glukosa puasa tertentu; sementara klien lainnya meminta rekapitulasi dipisah berdasarkan departemen kerja.
Karena penyesuaian format pada perangkat lunak klinik standar memerlukan waktu konfigurasi teknis, tim klinik kerap menggunakan spreadsheet agar dapat menyesuaikan tata letak laporan sesuai kesepakatan kontrak.
3. Tenggat Waktu Pelaporan pada Periode Puncak MCU
Ketika klinik harus menyelesaikan ratusan laporan hasil pemeriksaan dalam batas waktu yang ketat, kemudahan penggunaan menjadi prioritas. Spreadsheet telah familiar bagi staf administrasi, fleksibel digunakan, dan dapat diakses langsung pada komputer kerja.
Pertimbangan Teknis dan Regulasi Data Medis
Kendati memberikan kemudahan dalam penataan tabel, pengolahan data klinis massal secara manual memiliki sejumlah catatan penting:
1. Risiko Pergeseran Data dan Kesalahan Rumus
Penelitian mengenai pemanfaatan spreadsheet dalam pengolahan data kompleks menunjukkan adanya potensi kesalahan rumus atau pergeseran baris data. Dalam tabel pemeriksaan berskala besar, kesalahan pemilahan (sorting) pada satu kolom berpotensi menggeser data pemeriksaan antar-nama pekerja.
Selain itu, rumus matematika statis tidak dapat menilai konteks klinis, seperti kepatuhan puasa sebelum tes laboratorium atau riwayat pajanan bahaya spesifik di tempat kerja.
2. Pelindungan Data Medis Berdasarkan UU No. 27 Tahun 2022 (UU PDP)
Berdasarkan UU Pelindungan Data Pribadi di Indonesia yang dapat ditinjau di JDIH BPK dan panduan di JDIH Kemkes, data pemeriksaan kesehatan pekerja merupakan data pribadi yang bersifat spesifik. Pengelolaannya memerlukan tata kelola keamanan informasi yang terukur:
- Keamanan Data pada AI Konsumen: Memasukkan rekap data klinis pekerja yang memuat identitas nama ke perangkat AI umum di internet memunculkan risiko kebocoran data, mengingat data perintah (prompt) diproses di bawah ketentuan layanan publik.
- Kontrol Akses Berkas: Penyimpanan berkas hasil pemeriksaan di komputer kerja lokal umumnya tidak memiliki pembatasan hak akses berbasis peran (role-based access) dan jejak audit yang memadai.
- Pemisahan Laporan Manajemen: Regulasi membatasi bahwa manajemen perusahaan hanya berhak menerima kesimpulan kelaikan kerja dan analisis risiko kesehatan agregat, demi menjaga kerahasiaan rekam medis masing-masing pekerja.
Micromeet membangun infrastruktur AI layanan kesehatan dengan tata kelola yang jelas untuk mendukung perawatan berkelanjutan. Klinisi dan staf berwenang memeriksa keluaran yang berdampak.
Membangun Alur Kerja Terkelola: Peran AI Khusus Kesehatan
Diskusi pada PERDOKI Jakarta Summit memperlihatkan bahwa tenaga kesehatan kerja membutuhkan sarana praktis yang meringankan beban kompilasi tanpa menggeser tanggung jawab medis.
Alur kerja yang patuh menghubungkan data yang ada dengan tata kelola medis yang jelas:
- Mendukung Format Data yang Ada: Fasyankes tidak perlu merombak sistem yang berjalan. Perangkat lunak khusus dapat membaca tabel hasil lab, lembar sebar, dan laporan PDF ke dalam format yang terstandar.
- Dokumentasi yang Terlacak: Sistem klinis profesional menautkan setiap draf narasi dan penandaan nilai abnormal secara langsung ke sel sumber atau berkas asal, mencegah munculnya teks tanpa dasar rujukan.
- Pemisahan Tanggung Jawab Profesi: Perangkat lunak membantu merapikan data dan draf awal. Dokter pemeriksa secara mandiri meninjau temuan, menetapkan kelaikan kerja, dan mengesahkan laporan akhir.
Melalui MCU CoPilot di dalam Micromeet Care Workspace, teknologi mendukung konsolidasi data tanpa menggeser wewenang keputusan medis dengan tata kelola data klinis yang teruji. AI menyusun draf. Dokter yang memutuskan.
Pertanyaan yang Sering Diajukan (FAQ)
Apa risiko pelindungan data jika memasukkan hasil MCU pekerja ke chatbot AI umum di internet?
Berdasarkan UU No. 27 Tahun 2022 (UU PDP), data kesehatan adalah data pribadi spesifik. Alat AI konsumen umumnya beroperasi dengan ketentuan layanan publik yang tidak menyediakan Perjanjian Pemrosesan Data Pribadi (DPA) sektor kesehatan maupun kontrol keamanan data medis.
Bagaimana perbedaan perangkat lunak AI khusus kesehatan dengan rumus spreadsheet biasa?
Rumus spreadsheet menerapkan batasan angka statis tanpa konteks klinis. Sistem AI klinis khusus menstandarkan nama parameter lab, memeriksa riwayat pajanan kerja, dan menyajikan ringkasan bertaut dokumen sumber bagi verifikasi dokter.
Bisakah klinik MCU memanfaatkan MCU CoPilot tanpa mengganti sistem komputer yang lama?
Bisa. MCU CoPilot berjalan berdampingan dengan sistem lab dan rumah sakit yang sudah ada. Sistem ini membaca berkas ekspor tabel dan PDF, menstandarkan data, serta menyusun draf laporan untuk ditinjau dokter tanpa merombak infrastruktur TI utama.
