Ophthalmo-AI

Inspiration

Inspirasi pembuatan Ophthalmo-AI datang dari realitas sistem kesehatan primer di Indonesia, terutama di Puskesmas yang sering kali kekurangan tenaga kesehatan spesialis mata (Sp.M). Keterbatasan akses terhadap dokter spesialis dan alat diagnostik mahal (seperti Slit Lamp atau kamera fundus) sering kali menyebabkan pasien dengan kegawatdaruratan mata (seperti glaukoma akut atau trauma kimia) terlambat ditangani, yang berujung pada kehilangan penglihatan permanen. Kami terinspirasi untuk membangun sebuah Clinical Decision Support System (CDSS) yang mampu menjembatani kesenjangan ini dengan memanfaatkan kecerdasan buatan untuk memberikan penalaran klinis awal di fasilitas kesehatan primer, sebelum pasien dirujuk ke rumah sakit rujukan.

What it does

Ophthalmo-AI adalah Sistem Pakar Triase Kegawatdaruratan Mata dan Rekam Medis Digital berbasis Multimodal AI yang dirancang khusus untuk penggunaan di Puskesmas. Sistem ini bekerja dengan menggabungkan analisis visual dari foto mata pasien dengan gejala klinis subjektif yang diisi oleh tenaga kesehatan (nakes).

Secara spesifik, Ophthalmo-AI melakukan beberapa hal utama:

Analisis Visual (ML Vision) Menggunakan model Computer Vision (berbasis TensorFlow/Keras EfficientNet) untuk mengekstrak fitur visual dari foto mata pasien, seperti mendeteksi tingkat Retinopati Diabetik atau tanda-tanda kemerahan (hiperemia).
Penalaran Klinis Multimodal Menggunakan API Gemini untuk menyatukan hasil analisis visual dengan keluhan subjektif pasien (seperti nyeri, penurunan penglihatan, atau riwayat trauma kimia).
Triase Otomatis & Protokol Golden Hour Sistem menghasilkan triase klinis terstruktur yang menetapkan tingkat urgensi (misalnya EMERGENCY atau DOCTOR_CONSULT). Sistem ini juga secara otomatis memprioritaskan protokol Golden Hour untuk kasus trauma kimia dengan mewajibkan instruksi irigasi mata sebelum rujukan.
Rekam Medis Digital Aman Sistem membuat kode akses unik untuk setiap sesi triase. Pasien dapat mengakses rekam medis mereka secara anonim melalui portal khusus hanya dengan menggunakan NIK dan kode akses tersebut, memastikan privasi data tetap terjaga. ## How we built it Ophthalmo-AI dibangun menggunakan arsitektur Single Page Application (SPA) modern yang dioptimalkan untuk lingkungan dengan konektivitas terbatas (offline-capable melalui PWA).

Untuk frontend, kami menggunakan Vanilla JavaScript yang dikombinasikan dengan Firebase SDK untuk autentikasi dan manajemen database secara real-time. Desain antarmuka dibuat dengan estetika modern yang mudah digunakan oleh tenaga kesehatan.

Pada sisi backend dan penalaran AI, sistem ini menggunakan Node.js (Express) yang terhubung dengan Firebase Firestore sebagai basis data. Penalaran klinis dilakukan menggunakan API Gemini yang diarahkan dengan system prompt yang sangat ketat agar selalu menghasilkan format JSON terstruktur sesuai standar medis.

Untuk analisis gambar, kami melatih model Deep Learning (menggunakan transfer learning pada arsitektur EfficientNetB0) menggunakan dataset medis (seperti APTOS 2019) melalui Google Colab. Model ini kemudian disajikan sebagai layanan prediksi menggunakan FastAPI (Python) yang dapat dijalankan secara terpisah atau diintegrasikan dengan server utama.

Challenges we ran into

Tantangan terbesar yang kami hadapi adalah memastikan keakuratan dan keamanan medis dalam penalaran AI. Mengingat sistem ini bekerja dengan Large Language Model yang bersifat generatif, terdapat risiko model "berhalusinasi" atau memberikan saran medis yang berbahaya, seperti menyarankan penggunaan tetes mata steroid tanpa resep dokter, yang sangat berbahaya bagi kondisi mata tertentu.

Kami juga menghadapi tantangan dalam menggabungkan dua moda data yang berbeda data visual dari model Computer Vision dan data tekstual dari keluhan pasien agar AI dapat mengambil keputusan triase yang logis. Selain itu, merancang sistem privasi yang memungkinkan pasien mengakses rekam medis mereka secara anonim (tanpa harus login) namun tetap mematuhi standar keamanan data kesehatan juga menjadi tantangan yang memerlukan desain database access yang cermat menggunakan kode akses unik berbasis cryptographic randomness.

Accomplishments that we're proud of

Kami sangat bangga berhasil mengimplementasikan mekanisme Fail-Safe Medis dalam Ophthalmo-AI. Jika sistem AI mengalami kegagalan (misalnya karena jaringan internet terputus atau API tidak merespons), sistem secara otomatis menaikkan status triase pasien ke tingkat tertinggi (CRITICAL/EMERGENCY). Hal ini memastikan bahwa sistem tidak pernah melakukan under-triage (menganggap kondisi gawat sebagai ringan) yang dapat membahayakan nyawa atau penglihatan pasien.

Kami juga berhasil menciptakan alur triage tiga langkah yang sangat mulus untuk tenaga kesehatan di lapangan: mengunggah foto, mengisi gejala, dan langsung mendapatkan rekomendasi rujukan yang terstruktur dengan baik, lengkap dengan protokol tindakan darurat (immediate first aid) yang spesifik. Integrasi jurnal medis sebagai referensi tambahan dalam konteks AI juga menjadi pencapaian yang membuat sistem ini sangat berbasis bukti (evidence-based).

What we learned

Melalui pengembangan Ophthalmo-AI, kami belajar bahwa penerapan AI dalam bidang kesehatan memerlukan pendekatan yang sangat hati-hati dan tidak boleh sepenuhnya menggantikan peran manusia. Kami memahami bahwa Large Language Model harus selalu dibatasi dengan aturan keselamatan klinis yang sangat ketat (hard-coded safety rules) di dalam system prompt-nya, seperti larangan meresepkan obat keras atau menentukan resep kacamata.

Kami juga belajar betapa pentingnya memprioritaskan privasi pasien dalam sistem rekam medis digital, terutama dalam mendesain mekanisme autentikasi yang sederhana namun aman bagi masyarakat awam di fasilitas kesehatan primer. Selain itu, integrasi antara model Computer Vision dan penalaran tekstual AI mengajarkan kami cara merancang sistem Multimodal AI yang benar-benar dapat digunakan dalam skenario dunia nyata yang menantang.

What's next for Ophthalmo-AI

Ke depannya, kami berencana mengembangkan Ophthalmo-AI dengan menambahkan kemampuan analisis foto mata yang lebih canggih, terutama untuk mendeteksi kondisi segmen anterior (seperti katarak atau glaukoma akut) secara lebih akurat menggunakan dataset klinis yang lebih besar dan spesifik.

Kami juga ingin memperluas integrasi AI dengan memfasilitasi unggahan dokumen medis (PDF/TXT) ke dalam sistem sebagai jurnal referensi, agar penalaran klinis AI dapat selalu merujuk pada pedoman medis terbaru dari Kementerian Kesehatan atau organisasi profesi dokter mata. Selain itu, kami akan terus menyempurnakan fitur Audit Trail untuk memastikan setiap akses dan keputusan klinis dapat dilacak dengan transparan oleh pihak berwenang di rumah sakit rujukan.