AI Deteksi Tuberkulosis 6 Jam di NTT: Kecerdasan Buatan Percepat Skrining Daerah Terpencil 2026
Keterbatasan dokter spesialis radiologi di Nusa Tenggara Timur membuat pembacaan rontgen dada memakan waktu berhari-hari. Padahal, tuberkulosis (TB) memerlukan deteksi dini agar penularan dapat diputus. Pada 2026, kecerdasan buatan atau AI mulai digunakan untuk membaca hasil rontgen secara otomatis dan mempercepat diagnosis.
Skrining Tuberkulosis dengan Rontgen Berbasis AI
Sistem AI dilatih menggunakan ribuan citra rontgen pasien TB dan non-TB untuk mengenali pola kelainan paru. Ketika pasien menjalani rontgen di puskesmas, gambar langsung dianalisis perangkat lunak. Hasilnya keluar dalam hitungan menit dengan tingkat akurasi yang mendekati pembacaan dokter spesialis.
Laporan WHO Indonesia 2026 yang diakses melalui https://www.who.int/indonesia/ menyebut waktu diagnosis TB di daerah terpencil turun dari lima hari menjadi sekitar enam jam. Hal ini terjadi karena AI tidak menunggu jadwal dokter spesialis atau pengiriman hasil ke kota besar. Petugas kesehatan di puskesmas dapat segera memulai pengobatan pada hari yang sama.
Implementasi di Kabupaten Sumba Barat Daya dan Papua Barat Daya
Kabupaten Sumba Barat Daya menjadi lokasi awal implementasi AI untuk skrining TB. Petugas puskesmas melakukan penjaringan aktif di desa-desa dengan kasus TB tinggi. Pasien yang terindikasi langsung menjalani rontgen, dan dalam hitungan menit petugas mengetahui apakah perlu tes dahak atau pengobatan.
Di Papua Barat Daya, teknologi serupa dikembangkan untuk mendeteksi malaria melalui mikroskop digital. AI menghitung parasit plasmodium dalam sampel darah dengan lebih konsisten. Hasil pembacaan otomatis mengurangi ketergantungan pada tenaga mikroskopis yang jumlahnya terbatas.
Peran Internet Satelit dan Pelatihan Tenaga Lokal
Penerapan AI di daerah terpencil sangat bergantung pada koneksi internet. Sejumlah puskesmas di NTT dan Papua Barat Daya kini menggunakan internet satelit berkecepatan tinggi. Citra rontgen dapat diunggah ke server AI dalam hitungan detik. Jika koneksi terganggu, perangkat AI lokal tetap dapat bekerja secara offline dan menyinkronkan data saat sinyal kembali.
Pelatihan tenaga kesehatan lokal menjadi kunci agar teknologi ini tidak berhenti di level percontohan. Perawat dan analis laboratorium dilatih mengoperasikan alat, menginterpretasi hasil, serta mengambil keputusan rujukan berdasarkan rekomendasi AI. Dukungan dokter spesialis dari kota besar tetap diperlukan untuk kasus yang kompleks.
Perluasan cakupan ke deteksi malaria menggunakan mikroskop digital diharapkan menekan angka positif palsu di wilayah endemis. Kolaborasi dengan perguruan tinggi dan pengembang perangkat lunak lokal juga membuka peluang adaptasi teknologi sesuai kebutuhan daerah.