Bagaimana kami membaca alur kerja medical check-up, dan membangun infrastruktur kolaborasi manusia–AI di atasnya

Kami membangun MCU CoPilot, AI yang mengubah data mentah dari klinik medical check-up menjadi laporan final yang disetujui dokter. Namun, sebagian besar pekerjaannya justru bukan soal AI-nya. Yang sulit adalah membaca bagaimana sebuah klinik check-up benar-benar bekerja, lalu membangun satu lapisan tempat staf, dokter, dan AI masing-masing mengerjakan bagiannya sendiri, dengan garis batas yang jelas di antara mereka, dan seorang dokter yang memutuskan sebelum apa pun dikirim keluar. Inilah yang kami temukan dalam alur kerja itu, dan apa yang kami bangun di atasnya.

Mengapa kami membangunnya

Satu medical check-up korporat atau institusional bisa mencakup ratusan orang, sering kali ribuan, kadang puluhan ribu. Tiap orang melewati belasan stasiun dalam satu pagi: darah, pencitraan, EKG, penglihatan, pendengaran, dan setiap hasil masuk ke sistem yang berbeda-beda atau tercatat di atas kertas. Lalu ada yang menggabungkan data tiap orang secara manual, seorang dokter mengulas setiap rekam, dan laporan dikirim satu per satu. Tergantung skalanya, semua itu membutuhkan berhari-hari sampai berminggu-minggu untuk rampung.

Yang menyentak saya adalah ke mana waktu itu sebenarnya habis, dan sebagian besarnya bukan urusan medis. Staf klinik menghabiskan malam menggabungkan hasil tiap orang dari sistem-sistem terpisah dan tumpukan kertas, menyusun laporan satu per satu, lalu mengirimkannya. Sementara itu, dokter harus membaca dan menandatangani setiap laporan, yang rutin maupun yang serius, sehingga segelintir kasus yang benar-benar membutuhkan penilaian dokter mengantre bersama ratusan kasus yang tidak. Hambatannya tidak pernah soal keahlian medis, tetapi soal keahlian itu terkuras untuk merakit dan mengulang-ulang. Kami membangun MCU CoPilot untuk mengangkat beban itu dari kedua sisi: AI yang menangani penggabungan data dan menyusun draf kesimpulan terstruktur, sehingga staf tak perlu lagi merakit dan mengirim laporan dengan tangan, dan dokter cukup mengulas lalu memutuskan alih-alih menyisir setiap rekam satu per satu, dengan perhatian yang kini bebas untuk kasus yang benar-benar membutuhkannya. Mengembalikan waktu itu jelas sebuah kemenangan. Yang lebih penting adalah waktu itu berubah menjadi apa: pasien yang mendapat pembacaan yang lebih jernih dan lebih cermat, dan tim yang mengakhiri hari dengan mengerjakan pekerjaan sesuai keahliannya, bukan entri data.

Bukan AI demi AI

Cara mudahnya adalah mengarahkan sebuah model besar ke masalah ini lalu menganggapnya selesai. Hasilnya demo yang bagus, tetapi produk yang buruk. Bagian-bagian sulitnya terkubur di dalam alur kerja, dan baru terlihat setelah Anda mengerjakannya sendiri.

Beberapa contohnya. Tes darah yang sama muncul sebagai HB di berkas satu lab, Hemoglobin di lab lain, Hgb di lab ketiga, sehingga hal pertama yang dilakukan MCU CoPilot bukan menalar soal kesehatan, melainkan mencocokkan kolom berdasarkan maknanya dan mengingat pemetaan itu untuk lab tersebut. Rekam medis pasien harus dirangkai dari banyak berkas melalui satu kunci penghubung, dalam urutan tertentu; kalau tidak, tidak ada data yang sejajar. Dan begitu seorang dokter memvalidasi laporan, data dan kesimpulannya terkunci, sehingga yang diterima pasien persis seperti yang disetujui, bukan sesuatu yang berubah setelahnya. Tak satu pun dari hal-hal ini terlihat bagus di demo. Padahal justru di situlah laporan benar-benar bisa keliru.

Tidak ada satu definisi tunggal soal "normal"

Inilah hal yang tak mungkin kami rancang dari balik papan tulis. Setiap institusi check-up yang serius punya konvensi penilaiannya sendiri dan panduan klinis pilihannya sendiri, terbentuk dari pengalaman bertahun-tahun dan populasi yang dilayaninya. Rentang rujukan hanyalah titik awal, bukan jawaban akhir.

Maka MCU CoPilot menghormati hal itu, bukan menggantinya. Sebuah institusi menetapkan aturan penilaiannya sendiri per kolom, ambangnya, tingkat keparahannya, bahkan yang khusus per jenis kelamin, dan platform menilai berdasarkan aturan itu. Sebuah organisasi bisa menjelaskan standarnya dalam bahasa sehari-hari; sebuah proyek tertentu bisa menggantikan aturan organisasi untuk sementara ketika ada klien yang membutuhkan sesuatu yang lebih ketat. Panduan yang diandalkan sebuah institusi adalah himpunan yang terkurasi dan telah diulas, bukan teks bebas yang harus kami terka.

"Fit for work" adalah penilaian atas sebuah pekerjaan, bukan sebuah angka

Medical check-up korporat (team check-up) membuat ini terasa nyata. Kelayakan kerja bukan fakta medis; ia bergantung pada peran. Fungsi paru yang sedikit menurun mungkin hanya menjadi catatan bagi pekerja kantoran, tetapi berarti "temporarily unfit" bagi orang di lini pabrik. Pengemudi dengan buta warna parsial adalah keputusan yang berbeda dari analis dengan hasil yang sama. Mengemudi, bekerja di ketinggian, mengoperasikan mesin, pekerjaan fisik berat, semuanya diperlakukan lebih ketat, dan aturan mana yang berlaku bergantung pada perusahaan dan posisinya.

Kami tidak mengodekan semua itu secara kaku. Sebuah klinik menulis aturan kelayakannya seperti sedang mengarahkan dokter baru: catatan singkat berbahasa sehari-hari tentang siapa yang "fit", siapa "fit with note", siapa "temporarily unfit". Sebuah agen kecil di dalam MCU CoPilot mengubah catatan itu menjadi instruksi persis yang diikuti model saat menyusun laporan, hanya menyentuh bagian yang boleh diubah pelanggan, dan menyerahkan penalaran medis kepada platform. Awalnya kami menulis prompt itu seperti insinyur; para klinik justru meminta kami menulisnya seperti memo klinik, bukan buku teks. Ternyata mereka benar.

Di bawah semua itu ada batas dasar yang tak bisa dimatikan siapa pun melalui konfigurasi. Beberapa ambang klinis yang keras selalu memaksa status "temporarily unfit" dan tindak lanjut segera, bahkan bila aturan klien sendiri menyatakan semua orang lolos. Penilaiannya bisa Anda atur. Keselamatannya tidak bisa Anda hilangkan.

Mengapa kami menguji dengan cara ini

Kalau seorang dokter yang akan menandatanganinya, "sekali terlihat benar" saja tidak cukup. Jalankan kasus yang sama dua kali pada model yang sama, dan Anda bisa mendapat dua jawaban berbeda. Karena itu kami tidak mengandalkan hasil satu kali jalan. MCU CoPilot menguji setiap keputusan fakta-klinis berkali-kali, dan menahan laporan bila salah satunya bergeser.

Kami mewujudkannya menjadi sebuah benchmark publik: satu alur kerja tetap, dua belas model fondasi, kasus medical check-up Indonesia yang telah dianonimkan, di dua jalur, satu jalur stabilitas-pengulangan dan satu jalur risiko yang lebih luas. Kami tidak menilainya dari akurasi kata, sebab itu berkorelasi buruk dengan apakah seorang klinisi menganggap suatu keluaran aman. Kami menilai apa yang penting di klinik: apakah setiap kesimpulan terlacak ke suatu temuan, apakah ia bertahan saat dijalankan ulang, apakah ia tetap berada dalam batas keamanannya, apakah dokter bisa mengulasnya dengan cepat. Penilainya tidak pernah model yang sedang dinilai itu sendiri, dan kasus-kasus tersulit diserahkan ke manusia. Sepuluh dari dua belas model lolos gerbang pertama; sembilan lolos gerbang yang lebih sulit. Kami mempublikasikan metode dan ambang kelulusannya agar institusi mana pun bisa menjalankan uji yang sama pada vendor mana pun, termasuk kami sendiri.

Loop engineering, sebelum ia punya nama

Orang mulai menyebut ini "loop engineering." Idenya sederhana: Anda tidak mengirim satu prompt lalu pergi begitu saja. Anda merekam kasus nyata, menghasilkan keluaran, melewatkan keluaran itu melalui gerbang pemeriksaan keselamatan, menemukan lapisan mana yang gagal, membuat perbaikan sekecil mungkin, lalu menguncinya dengan uji regresi agar hasil yang sudah disetujui tak bisa diam-diam tergelincir. Tak ada yang boleh mengubah jalur produksi kecuali gerbangnya tetap hijau. Micromeet sudah menjalankan loop ini pada keluaran klinisnya jauh sebelum istilahnya populer, karena di layanan kesehatan ini bukan trik optimasi, ini satu-satunya cara jujur untuk mengubah sesuatu yang diandalkan seorang dokter.

Apa yang terus diajarkan oleh penerapan di lapangan

Kami selalu memperlakukan ini sebagai pekerjaan garis depan, dan institusi yang bekerja sama dengan kami pun ada di garis depan itu, operator multi-cabang, penyedia layanan kesehatan korporat, pusat diagnostik yang menjalankan puluhan lab mitra. Mereka tak lagi meminta laporan yang lebih cepat; cepat sudah dianggap wajar. Yang mereka tanyakan: apakah sebuah kesimpulan bisa dilacak kembali ke data mentah, apakah seorang dokter bisa melihat alasan sebuah kasus ditandai, apakah ada pemeriksaan kedua sebelum apa pun dikirim keluar.

Di situlah produk ini benar-benar terbentuk. Satu institusi mengajari kami bahwa "normal" itu spesifik per klien dan per peran. Yang lain menunjukkan bahwa bagian sulitnya sama sekali bukan modelnya, melainkan bahwa nilai yang sama bisa datang sebagai 299 dari satu sumber dan 299.000 dari sumber lain, dan sebagian dari setiap batch besar membutuhkan pemeriksaan kewajaran sebelum kesimpulan AI mana pun layak dipercaya. Setiap penerapan menjadi pengetahuan yang bisa dipakai ulang, dan penerapan berikutnya menjadi lebih baik karenanya. Ternyata laporan itu hanyalah bagian pertama dari hari klinik yang sudah Micromeet pelajari untuk dikerjakan dengan cara ini; prinsip yang sama merambah ke seluruh sisa perjalanan pasien, selangkah demi selangkah dengan cermat. Seperti kata salah satu dari mereka: alur kerja yang terfragmentasi dan lintas-sistem bukan alasan untuk menunggu, justru di situlah semua ini paling bernilai.

AI menyusun draf. Dokter yang memutuskan. Tugas kami adalah memastikan bahwa saat seorang dokter melihatnya, draf itu sudah lolos uji yang Anda inginkan, dan bahwa jam-jam yang kami kembalikan bukan sekadar dihemat, melainkan dipakai untuk perawatan yang lebih baik, oleh orang-orang yang bekerja sesuai keahlian mereka.