AI orang sehat - ForkLog

# AI Orang Sehat

Bagaimana kecerdasan buatan mengubah dunia medis

Meskipun ada hype, spekulasi, dan prediksi menakutkan, hanya sedikit spesialis yang meragukan: kecerdasan buatan memang akan mengubah dunia. Namun siapa yang akan diuntungkan oleh perubahan tersebut dan berapa harga yang harus dibayar — masih menjadi pertanyaan terbuka

Sejarah menunjukkan bahwa terobosan teknologi, bersama dengan peluang, hampir selalu membawa krisis, memaksa masyarakat untuk mencari keseimbangan lagi. Namun ada satu bidang di mana manfaat kemajuan teknologi selama beberapa dekade tampak hampir tidak terbantahkan. Yakni kedokteran.

ForkLog telah menyelidiki bagaimana penerapan kecerdasan buatan saat ini mempercepat pengembangan obat baru, mengoptimalkan proses laboratorium, meningkatkan akurasi diagnosis, dan mengubah pendekatan pengobatan penyakit.

Pengembangan Obat

Sebagian besar obat bekerja melalui interaksi dengan protein reseptor — struktur molekuler yang mengatur fungsi sel dan berpartisipasi dalam hampir semua proses tubuh

Sistem kecerdasan buatan mampu menganalisis struktur protein reseptor dan memprediksi senyawa mana yang dapat berinteraksi dengan mereka paling efektif dengan efek samping minimal. Berkat ini, tugas-tugas yang sebelumnya membutuhkan penelitian laboratorium bertahun-tahun, kini semakin sering dapat diselesaikan dalam hitungan bulan.

Menurut perkiraan para ahli Organisasi Kesehatan Dunia (WHO), dalam beberapa tahun ke depan, sebagian besar obat farmasi baru akan dikembangkan dengan menggunakan AI.

AlphaFold dan Isomorphic Labs

Pada tahun 2024, Hadiah Nobel Kimia diberikan kepada David Baker, Demis Hassabis, dan John Jumper. Dua yang terakhir bekerja di Google DeepMind, mereka dianugerahi penghargaan untuk pengembangan metode prediksi struktur protein, termasuk AlphaFold, yang didasarkan pada pembelajaran mesin.

Pada tahun 2018, AlphaFold menduduki peringkat pertama dalam "kompetisi" prediksi molekuler Critical Assessment of Structure Prediction (CASP), menunjukkan efektivitas dalam kategori yang paling sulit. Dua tahun kemudian, pada CASP berikutnya, versi baru — AlphaFold 2 — menang.

Pada tahun 2021, Google DeepMind merilis kode AlphaFold2 dan database struktur protein yang diprediksi ke publik. Sekitar waktu yang sama, Hassabis mendirikan Isomorphic Labs — anak perusahaan Alphabet yang mengembangkan AI untuk penemuan obat.

Pada tahun 2024, Isomorphic Labs menjalin kemitraan dengan Eli Lilly dan Novartis. Kesepakatan tersebut mencakup pendanaan untuk penelitian AI perusahaan hingga $1,7 miliar dan hingga $1,2 miliar masing-masing. Pada tahun 2026, Isomorphic Labs juga mengumumkan kemitraan dengan Johnson & Johnson

Pada Februari 2026, Isomorphic Labs meluncurkan lingkungan pengembangan obat universal Drug Design Engine (IsoDDE), yang dibangun di atas teknologi AlphaFold

Saat ini Isomorphic Labs sedang mengerjakan solusi di bidang onkologi dan imunologi. Meskipun ada percepatan pengembangan dengan bantuan AI, proyek-proyek tersebut masih dalam tahap penelitian praklinis. Perusahaan berharap untuk memulai uji coba pertama pada manusia dalam beberapa tahun ke depan.

Exscientia dan Recursion Pharmaceuticals

Didirikan pada tahun 2012, Exscientia menjadi salah satu perusahaan pertama yang secara sistematis menerapkan pembelajaran mesin untuk pengembangan obat.

Pada tahun 2020, obat DSP-1181 untuk terapi OCD menjadi produk pertama yang dibuat dengan menggunakan AI yang memasuki tahap uji klinis. Pengembangan dilakukan bersama dengan perusahaan farmasi Jepang Sumitomo Dainippon Pharma, yang menangani sintesis dan uji laboratorium berdasarkan hasil teoretis Exscientia.

Pada tahun 2023, perusahaan memiliki 8 molekul kandidat yang siap, dikembangkan "secara signifikan lebih cepat" dari rata-rata industri

Pada tahun 2024, Recursion Pharmaceuticals mengakuisisi Exscientia dalam kesepakatan senilai $688 juta. Beberapa program penelitian ditutup

Pada saat itu, beberapa obat telah mencapai tahap kedua uji klinis — pengujian efektivitas dan efek samping pada kelompok 100–300 pasien

Penggabungan dengan Recursion Pharmaceuticals memungkinkan penggunaan sistem AI Exscientia dalam kombinasi dengan kompleks laboratorium otomatis untuk pengujian. Selain itu, Recursion membangun superkomputer AI sendiri, BioHive-2, berdasarkan NVIDIA H100 untuk melatih model khusus.

Perusahaan juga berpartisipasi dalam pengembangan model generatif terbuka Boltz-2, yang dirancang untuk memprediksi struktur tiga dimensi protein.

Pada tahun 2025, Recursion Pharmaceuticals memfokuskan upayanya pada empat program di bidang onkologi dan dua program yang terkait dengan penyakit langka. Beberapa obat sudah berada pada tahap transisi antara fase pertama dan kedua uji coba:

• REC-4881 untuk terapi poliposis adenomatosa kongenital — penyakit yang meningkatkan risiko kanker kolorektal;
• REC-617 — untuk pengobatan tumor ganas ovarium;
• REC-1245 untuk memerangi limfoma dan bentuk tumor ganas lainnya.

Obat REC-3565, yang ditujukan untuk pengobatan leukemia limfositik kronis, sedang menjalani tahap pertama uji klinis.

Insilico Medicine

Didirikan pada tahun 2014, Insilico Medicine adalah pemain penting lainnya dalam pengembangan obat berbasis AI

Pada tahun 2017, Insilico Medicine masuk dalam 5 besar proyek dengan dampak sosial tertinggi menurut Nvidia

Perusahaan menggunakan kecerdasan buatan di semua tahap siklus pengembangan:

• sistem PandaOmics bertanggung jawab untuk menemukan "target" biologis — molekul yang perlu "dinonaktifkan" atau diatur dalam terapi;
• Chemistry42 menyediakan desain generatif senyawa yang sesuai;
• InClinico mengoptimalkan prediksi uji klinis.

Salah satu pencapaian AI awal Insilico Medicine adalah obat Rentosertib (ISM001-055), yang terkait dengan pengobatan fibrosis. Pengembangan memakan waktu 18 bulan dari penemuan target oleh sistem AI hingga diperolehnya molekul kandidat. Hingga tahun 2025, Rentosertib sedang menjalani fase kedua uji klinis.

Selain itu, pada tahun 2024, obat imunomodulator yang dikembangkan AI, ISM3312, untuk COVID-19 dan infeksi virus lainnya, lulus uji coba fase pertama. ISM3091, yang terkait dengan terapi kanker, disetujui untuk diuji pada pasien.

Diagnosis dan Penelitian

Menurut perkiraan para ahli, sekitar 90% dari semua informasi medis disajikan dalam bentuk gambar seperti sinar-X dan tomogram. Data ini sangat penting dalam diagnosis, namun analisisnya merupakan tugas yang memakan waktu dan tidak sepele.

Metode pembelajaran mesin, terutama jaringan saraf konvolusional, sangat cocok untuk mengenali pola visual yang kompleks. Mirip dengan penglihatan manusia, sistem semacam itu mampu membedakan tepi kontras, bentuk, dan tekstur pada gambar. Hal ini memungkinkan deteksi tumor, perdarahan, dan anomali lainnya dengan keyakinan tinggi

Untuk melatih model AI, tersedia data berkualitas tinggi — kumpulan gambar yang didokumentasikan dengan komentar ahli.

Pada tahun 2024, para peneliti dari Harvard Medical School memperkenalkan model AI Chief, yang mampu mendeteksi beberapa bentuk kanker. Menurut pengembang, solusi tersebut secara benar mendeteksi tanda-tanda penyakit pada gambar digital dalam 94% kasus

Pada tahun 2025, Badan Pengawas Obat dan Makanan AS (FDA) memberikan status "perangkat terobosan" pada model Damo Panda dari Damo Academy — divisi penelitian perusahaan Alibaba

Menurut pengembang, sistem ini mampu mendeteksi tanda-tanda kanker pankreas pada tomogram bahkan sebelum gejala muncul, yang sangat penting untuk bentuk penyakit ini.

Pada tahun 2026, terobosan signifikan dalam diagnosis AI adalah sistem REDMOD, yang dikembangkan oleh organisasi nirlaba Amerika Mayo Clinic

Model yang juga dirancang untuk mendeteksi kanker pankreas ini mengungguli spesialis dalam diagnosis penyakit pada tahap awal. Menurut klaim para peneliti, sistem ini menemukan perubahan patologis pada tomogram rata-rata 475 hari sebelum diagnosis ditegakkan.

Inisiatif Google

Google adalah salah satu penyedia utama AI untuk diagnosis dan penelitian medis

Perusahaan menawarkan rangkaian model terbuka untuk analisis teks, gambar, dan audio medis, MedGemma, berdasarkan Gemma 3

Melalui Health AI Developer Foundations, pengembang memiliki akses ke kumpulan bobot terbuka dan alat AI

Google bekerja sama dengan sejumlah klinik dan organisasi penelitian, dengan fokus pada pengembangan teknologi fundamental.

Pada tahun 2019, perusahaan mempresentasikan model untuk deteksi dan prediksi kanker paru-paru. Model tersebut berkinerja setara atau lebih baik dibandingkan dengan kelompok enam radiolog bersertifikat.

Pada tahun 2020, dalam kerja sama dengan Northwestern Medicine, para peneliti mendemonstrasikan sistem untuk analisis mammogram yang mampu mendeteksi kanker pada tingkat spesialis.

Pada tahun 2024, Google Cloud dan perusahaan farmasi Jerman Bayer mengumumkan peluncuran platform untuk skrining radiografi. Sistem ini menganalisis riwayat gambar dan data riwayat penyakit, membentuk asumsi tentang kemungkinan patologi.

Robot Radiolog NVIDIA dan GE HealthCare

Raksasa teknologi Nvidia dan perusahaan medtech AS GE HealthCare, yang memproduksi peralatan untuk fluoroskopi, mengembangkan sistem AI mereka sendiri untuk akuisisi gambar otonom

Berbeda dengan model yang menganalisis gambar yang sudah jadi, solusi ini diharapkan dapat mengurangi beban rutin pada spesialis dan membuat diagnosis lebih terstandarisasi.

Pada tahap pertama, sistem ini akan bekerja dengan radiografi dan gambar ultrasonik.

GE HealthCare juga berencana menggunakan NVIDIA Isaac for Healthcare — platform untuk mengembangkan sistem medis otonom, termasuk robot bedah.

Platform Diagnostik PathAI

Didirikan pada tahun 2016, PathAI mengembangkan "platform patologi digital" AISight Dx, yang dirancang untuk diagnosis primer dalam kondisi klinis.

Sistem ini menawarkan lingkungan untuk bekerja dengan gambar medis dengan kemampuan untuk menghubungkan algoritma pihak ketiga untuk analisis data

Dukungan untuk serangkaian solusi bersertifikat CE-IVD berbasis AI diumumkan, khususnya — "plugin" untuk diagnostik onkologi:

• DeepDx Prostate secara otomatis menyorot jaringan pada gambar dan menandai area yang berpotensi penting untuk diagnosis;
• Histotype Px Colorectal membangun prediksi perjalanan penyakit berdasarkan gambar, mengevaluasi kelayakan kemoterapi, dan memberikan rekomendasi terapi;
• Visiopharm mendeteksi dan menghitung biomarker untuk berbagai bentuk kanker

Platform ini memiliki fungsi sendiri untuk analisis gambar otomatis, bantuan dalam membuat diagnosis, dan penulisan laporan, tetapi untuk saat ini ditujukan "semata-mata untuk tujuan penelitian" dan tidak diizinkan untuk digunakan dalam konteks klinis.

AISight Dx juga menawarkan alat AI bantu bawaan:

• ArtifactDetect — untuk menemukan artefak pemindaian dan kesalahan lain pada gambar;
• Case Priority — untuk memprioritaskan kasus klinis berdasarkan analisis jaringan;
• AIM-Tumor Cellularity — untuk menilai komposisi seluler tumor

Pada tahun 2022, solusi ini menerima persetujuan FDA AS dalam bentuk 510(k) dan tanda kualitas Eropa CE, yang menunjukkan keamanan produk bagi konsumen dan lingkungan.

Pada tahun 2025, PathAI mengumumkan kemitraan dengan Moffitt Cancer Center di Florida, AS, untuk mengintegrasikan AISight Dx ke dalam proses diagnostik. Pada tahun 2026, perusahaan menandatangani perjanjian serupa dengan Rumah Sakit Universitas Zurich (University Hospital Zurich)

Pada Mei 2026, perusahaan farmasi Swiss Roche mengumumkan akuisisi PathAI dalam kesepakatan senilai lebih dari $750 juta.

Masalah dan Keterbatasan

Seperti di sektor lainnya, penerapan AI dalam kedokteran memperburuk masalah sistemik dan menimbulkan masalah baru

Asisten AI, terutama yang berbasis LLM, tidak kebal terhadap halusinasi.

Dalam makalah penelitian Google tentang model Med-Gemini, ditemukan kesalahan: model "menciptakan" area otak yang tidak ada yang disebut nukleus basilar

Halusinasi terbentuk dari dua nama anatomi nyata: nukleus basalis dan arteri basilar. Pengembang mengaitkannya dengan salah ketik, namun beberapa spesialis menyebut insiden tersebut sebagai contoh mengkhawatirkan dari risiko penerapan asisten AI dalam kedokteran.

Para peneliti dari Stanford University menemukan kemampuan model AI untuk mendiagnosis penyakit secara meyakinkan dari gambar medis tanpa akses ke gambar itu sendiri

Salah satu sistem yang dianalisis menunjukkan hasil tinggi secara "membabi buta" dalam tes radiologi. Model GPT-5, Gemini 3 Pro, dan Claude Opus 4.5 "dengan percaya diri menggambarkan detail visual" pada gambar yang tidak ada.

Menurut penelitian yang diterbitkan pada Juni tahun yang sama, dalam konteks medis, 7,1% jawaban GPT-4 atas pertanyaan pasien ternyata tidak akurat dan dapat menyebabkan kerugian yang signifikan. Dalam satu dari 156 kasus, kesalahan tersebut membawa risiko bagi kehidupan.

Menurut data tahun 2025, alat untuk kompilasi dokumentasi otomatis berdasarkan hasil dialog dengan pasien menyebabkan kesalahan pada 70% catatan klinis. Model menambahkan fakta palsu ke dalam transkripsi percakapan, melewatkan poin, dan membingungkan konsep

Selain LLM menciptakan organ, mereka juga memiliki ketidaktransparanan logika, yang mempersulit analisis manusia tentang bagaimana kesimpulan tertentu diperoleh.

Kurangnya keterwakilan dalam kumpulan data dapat membentuk prasangka dan keterikatan pada pola yang salah dalam model yang dilatih padanya

Selain itu, masalah umum asisten AI seperti ketergantungan kognitif pengguna dan privasi data semakin diperparah dalam konteks perawatan kesehatan.

Para ahli WHO mengklasifikasikan penerapan kecerdasan buatan dalam kedokteran sebagai area berisiko tinggi

Dalam kerangka hukum Eropa AI Act, mulai Agustus 2026, sistem AI dalam kategori ini akan diwajibkan untuk memenuhi sejumlah persyaratan khusus terkait manajemen risiko, pelaporan, dan pengawasan manusia.

Terlepas dari kesulitan dan potensi risiko penerapan, WHO menilai secara positif prospek kecerdasan buatan dalam kedokteran dengan syarat adanya aturan yang tepat dan pengawasan dari badan pemerintah

FDA AS juga optimis tentang prospek AI medis, meskipun mengakui regulasi yang ada sudah usang. Secara formal, di AS sistem tersebut diklasifikasikan sebagai perangkat lunak dalam kategori Software as a Medical Device

Pada tahun 2025, FDA menerbitkan serangkaian rekomendasi yang berkaitan dengan siklus hidup produk AI, manajemen risiko, dan pemasaran.