AI dalam Kendali Mutu dan Kendali Biaya RS di Era JKN, Peluang atau Ancaman?

Penggunaan teknologi artificial intelligence saat ini telah merambah berbagai lini, termasuk dunia kesehatan. Bagaimana potensi AI jika diterapkan dalam kendali mutu dan kendali biaya di rumah sakit, terutama pada era JKN BPJS?

Selain wajib memberikan layanan yang paripurna dan berkualitas, rumah sakit perlu melakukan kendali biaya dalam penerapan layanan yang diberikan. Sumber foto: Arsip Dokumentasi RSIA Ummu Hani Purbalingga (tempat bekerja penulis)

Salah satu elemen penting dalam pelayanan rumah sakit adalah implementasi Kendali Mutu dan Kendali Biaya (KMKB) dalam pelayanan, terutama pada era Jaminan Kesehatan Nasional yang telah mencakup mayoritas dari masyarakat pada saat ini. Badan Penyelenggara Jaminan Sosial (BPJS) Kesehatan telah menyusun regulasi perihal kendali mutu dan kendali biaya yang telah tertuang dalam Peraturan Badan Penyelenggara Jaminan Sosial Kesehatan Nomor 8 Tahun 2016, sebagai panduan rumah sakit dalam menyusun tim serta uraian tugas KMKB.

Kendali mutu merupakan usaha rumah sakit untuk memastikan bahwa pelayanan kesehatan yang dijalankan memenuhi standar kualitas yang ditetapkan. Penyusunan dan penerapan standar seperti Panduan Praktik Klinis (PPK), Standar Operasional Prosedur (SOP) hingga audit medis dan keperawatan merupakan proses yang dilakukan dalam implementasi kendali mutu. Sementara kendali biaya merupakan usaha rumah sakit untuk mengelola pengeluaran dalam pelayanan agar efisien tanpa menurunkan mutu layanan. Era JKN telah mengubah cara pembiayaan jaminan kesehatan dari yang sebelumnya fee for service menjadi pembiayaan paket sesuai tarif case based groups , sehingga menuntut rumah sakit untuk menyusun strategi pengelolaan yang tepat untuk mencegah pemborosan, misalnya seperti mengutamakan penggunaan obat generik, pembayaran sumber daya manusia berbasis kinerja, penyusunan alur kerja dan diagnosis seragam pada populasi yang sama. Kedua aspek ini sangat perlu diimplementasikan secara bersinergi, untuk mencapai kualitas layanan yang paripurna dengan penggunaan sumber daya yang efisien sehingga rumah sakit dapat tetap terus bertumbuh mengikuti perkembangan dunia medis. Tim KMKB rumah sakit yang terdiri dari organisasi profesi serta manajemen rumah sakit memiliki peran untuk melakukan supervisi terhadap implementasi kedua elemen tersebut di lapangan, salah satunya dengan evaluasi Clinical pathway.

Penggunaan teknologi telah merambah ke pelayanan rumah sakit. Sumber foto: Arsip Dokumentasi RSIA Ummu Hani Purbalingga (tempat bekerja penulis)

Seiring perkembangan zaman, kompleksitas pelayanan rumah sakit pun semakin meningkat. Selain itu, perkembangan teknologi pun sudah semakin pesat. Pemanfaatan Artificial intelligence (AI) pun telah memasuki sektor kesehatan. Mungkin banyak dari pembaca yang sudah mengetahui penggunaan AI dalam membantu diagnosa penyakit, hingga membaca gambar rontgen. Namun, dengan konsep machine learning ini, penulis beranggapan sebenarnya terbuka potensi besar pemanfaatan AI dalam mendukung implementasi KMKB. Setiap rumah sakit sudah pasti memiliki banyak data yang jika dibentuk sebuah rangkaian dan pola, dapat membantu meningkatkan kinerja pelayanan serta efisiensi di sebuah rumah sakit. Beberapa potensi penerapan terkait penerapan AI dalam proses KMKB di rumah sakit, antara lain:

1. Monitoring Real-Time

Rumah sakit dapat mengintegrasikan AI dalam Sistem Informasi Manajemen Rumah Sakit (SIMRS), untuk memberikan update real-time termasuk alarm dalam pemantauan kualitas layanan. Misal, dengan mempelajari big data rumah sakit yang mencakup seluruh data pasien, dari awal hingga akhir kunjungan, termasuk proses diagnosis, prosedur diagnostik maupun terapi yang dilakukan hingga hasil klinis, AI dapat mengidentifikasi terjadinya potensi ketidaksesuaian mutu maupun biaya seperti memberikan informasi penting perihal interaksi antar obat sehingga dokter dapat mencegah efek samping yang tidak diharapkan, maupun pengingat jika ada pemberian obat yang tidak sesuai formularium sehingga mengurangi pembiayaan berlebih pada penggunaan farmasi.

2. Prediksi Komplikasi pada Pasien

Integrasi AI dalam rekam medis elektronik dapat membantu tenaga kesehatan rumah sakit dalam memprediksi risiko komplikasi pasien. Misalnya, prediksi terkait potensi terjadinya sepsis (infeksi bakteri berat) sehingga intervensi dini seperti pemberian antibiotik adekuat dapat dilakukan. Bahkan, jika rumah sakit memiliki data perihal sebaran bakteri yang ada, AI dapat merekomendasikan antibiotik yang sesuai untuk mengantisipasi kejadian sepsis pada pasien. Deteksi dini pada kejadian usus buntu yang sering tersamarkan karena keluhan nyeri perut di area tak spesifik dapat dilakukan dengan memanfaatkan machine learning dalam mempelajari tanda klinis yang muncul serta perkembangan gejala pasien yang dapat diterjemahkan dalam proses algoritma maupun perhitungan yang spesifik, misal Alvarado score yang dimodifikasi dengan parameter tambahan jika nyeri perut tidak membaik dalam 1x24 jam setelah pasien diberikan antinyeri di ruang rawat inap.

3. Optimalisasi Manajemen Klaim

Proses klaim BPJS seringkali memerlukan verifikasi manual oleh petugas yang memakan waktu. Selain itu, banyak rumah sakit yang juga mengalami kendala dalam monitoring ketepatan pemberkasan semasa pasien rawat inap. Sehingga jamak dijumpai ketidaklengkapan berkas rekam medis saat telah tiba di tim penjaminan, padahal pasien sudah dipulangkan. Pemanfaatan AI dapat digunakan untuk mendeteksi berkas kelengkapan klaim yang tidak sesuai dengan kriteria penjaminan INA-CBGs, sehingga mempercepat proses pemberkasan dan verifikasi pra-klaim, juga mengurangi risiko penangguhan atau penolakan klaim dan mempercepat pembayaran.

4. Otomatisasi Proses Administrasi

Implementasi Robotic Process Automation (RPA) pada rumah sakit dapat membantu otomatisasi tugas administratif seperti pendaftaran pasien, verifikasi dokumen seperti pengecekan surat eligibilitas peserta JKN, kelengkapan berkas penjaminan, hingga penjadwalan pengiriman berkas klaim secara otomatis kepada BPJS. Hal ini sangat menghemat biaya tenaga kerja maupun dapat mengoptimalkan tenaga kerja yang ada untuk tugas yang lebih strategis karena tak lagi terlibat dalam kegiatan administratif rutinan.

5. Manajemen Stok dan Pengadaan

Berdasarkan big data rumah sakit, AI dapat menyusun prediksi kebutuhan sarana penunjang seperti obat, alat kesehatan, hingga barang rumah tangga berupa misalnya alat tulis kantor dan lampu. Di area farmasi, AI dapat menyusun pola penggunaan obat setiap dokter yang dapat menjadi bahan acuan Komite Farmasi dan Terapi serta Manajemen Rumah Sakit dalam berkoordinasi dengan Komite Medis dan Keuangan terkait efisiensi pengadaan obat. Contohnya, dengan mempelajari pola penggunaan obat antinyeri, AI dapat memberikan gambaran terkait beberapa merk obat antinyeri yang sering digunakan. Tujuannya adalah setelah dilakukan diskusi internal antar bagian, pembelanjaan obat antinyeri akan difokuskan kepada merk tersebut sehingga biaya pembelanjaan akan lebih murah, perputaran stok akan berjalan lebih efektif dan variasi penggunaan obat dalam satu golongan atau fungsi akan berkurang. Bahkan, AI dapat membantu manajemen untuk menyusun program yang akan membantu dokter dalam memilih penggunaan obat yang efektif dengan biaya terendah, seperti memberikan rekomendasi penggunaan obat generik yang memiliki khasiat sama dengan obat merek lain namun dengan biaya yang lebih terjangkau.

Penggunaan AI dalam pelayanan farmasi dapat meningkatkan efisiensi pembelanjaan obat-obatan. Sumber foto: Arsip Dokumentasi RSIA Ummu Hani Purbalingga (tempat bekerja penulis)

Penggunaan AI dalam KMKB memang menawarkan banyak manfaat yang dapat membantu rumah sakit mewujudkan pelayanan yang bermutu dan efisien. Namun, ada beberapa tantangan serta juga ancaman yang perlu diperhatikan:

1. Modal

Rumah sakit perlu menyiapkan investasi perangkat lunak serta perangkat keras yang mumpuni dalam mengintegrasikan AI untuk membantu implementasi KMKB. Selain itu, perlu juga sumber daya manusia yang mumpuni dalam mengawal proses integrasi AI ini agar dapat dipahami oleh seluruh karyawan dan dijalankan sesuai tujuan manajemen dan pemilik rumah sakit. Salah satu solusi adalah rumah sakit dapat mencari kemitraan dengan pihak ketiga seperti perusahaan teknologi untuk berbagi biaya implementasi.

2. Keamanan data

Penggunaan AI memerlukan ruang untuk penyimpanan data yang mengharuskan rumah sakit menyediakan server ataupun cloud dalam operasional AI maupun menyimpan big data yang akan terus berkembang. Rumah sakit perlu melakukan sertifikasi standar keamanan data, seperti ISO 27001 sebagai bukti bahwa keamanan data pasien terjamin. Jika melakukan kerjasama dengan pihak ketiga, rumah sakit harus memilih provider yang memiliki reputasi dan sertifikasi terstandar.

3. Celah Fraud

Sebagaimana yang dipahami, AI mendapatkan hipotesis dengan mempelajari data yang ada. Perubahan basis data maupun prompt dalam instruksi dapat mengubah hasil interpretasi AI, atau bahkan dapat menginstruksikan AI untuk merubah basis data itu sendiri. Misalnya, setelah mengidentifikasi adanya ketidaksesuaian dalam kriteria klaim, AI merubah data rekam medis agar proses pengajuan klaim tetap dilanjutkan. Supervisi dari Komite Etik maupun Satuan Pengawas Internal RS yang bersifat independen sangat diperlukan dalam mencegah terjadinya fraud.

Penerapan AI dalam KMKB di rumah sakit merupakan salah satu perkembangan teknologi yang mungkin dalam beberapa tahun ke depan sudah bukan lagi menjadi pilihan, tetapi kebutuhan rumah sakit agar tetap dapat tangguh, adaptif dan memiliki daya saing. Rumah sakit tak hanya sekadar membangun infrastruktur yang memadai maupun meningkatkan kualitas sumber daya manusia dalam mempersiapkan penerapan AI dalam KMKB, tetapi juga perlu menyusun sistem pengawasan anti-fraud serta memperkuat fungsi tim KMKB agar harapannya penerapan AI ini dapat mewujudkan mutu layanan tinggi, efisien, bersih dan transparan, sehingga masyarakat mendapatkan akses layanan yang terjangkau dan berkualitas.