Teks ini sudah direvisi ke bahasa Indonesia level C1 dengan maksimal dua kesalahan. Berikut versinya:
Elyse Betters Picaro / ZDNET
Ikuti ZDNET:
Tambahkan kami sebagai sumber pilihan di Google.
Poision Penting ZDNET
AI baru mengidentifikasi korban kekerasan dari riwayat medis. Akurasinya 80% dan dapat mendeteksi korban hingga lima tahun sebelum mereka mengungkapkannya.
Inisiatif sebelumnya menunjukkan adanya masalah keamanan data yang perlu diatasi.
Lebih dari satu dari tiga perempuan di Amerika Serikat akan mengalami kekerasan dalam relasi intim (IPV) di suatu titik dalam hidup mereka, menurut Pusat Pengendalian dan Pencegahan Penyakit. Banyak dari mereka datang ke rumah sakit atau klinik dengan luka, nyeri kronis, kecemasan, dan depresi. Namun, meskipun mereka menerima perawatan untuk gejala yang tampak, seringkali butuh waktu bertahun-tahun sebelum pasien-pasien ini bisa berbicara terbuka tentang apa yang mereka alami.
Para peneliti berulang kali memperingatkan bahwa perempuan tidak merasa aman meminta bantuan dari penyedia layanan kesehatan karena berbagai alasan, termasuk rasa takut terhadap pelaku kekerasan, ketergantungan finansial, status imigrasi, dan stigma. US Preventive Services Task Force merekomendasikan skrining IPV rutin untuk semua perempuan usia subur. Namun, CDC memperkirakan bahwa alat yang ada saat ini, yang mengandalkan laporan diri sendiri, hanya menangkap sebagian kecil dari pasien yang terdampak.
“IPV seringkali tidak terlihat dalam sistem layanan kesehatan meskipun ada interaksi berulang dengan pasien selama bertahun-tahun,” ujar Dr. Bharti Khurana, direktur pendiri Trauma Imaging Research and Innovation Center di Harvard Medical School serta radiolog darurat di Brigham and Women’s Hospital.
Bekerja sama dengan tim peneliti di Brigham and Women’s Hospital, MIT, dan Harvard Medical School, Khurana menerbitkan sebuah studi pada Maret 2026 yang mengusulkan cara untuk mengenali IPV lebih cepat. Model AI ini memindai pasien dengan risiko tinggi mengalami kekerasan dari pasangan menggunakan data yang sudah tersimpan dalam rekam medis mereka. Namun, sebelum alat ini bisa digunakan di rumah sakit untuk keperluan klinis, pengembangnya harus mengatasi beberapa kekhawatiran yang tersisa terkait keamanan dan privasi.
Menutup Kesenjangan Informasi yang Vital
Data yang dibutuhkan untuk mengidentifikasi risiko sudah tersedia, menurut para peneliti. Tetapi, masih ada pertanyaan apakah AI dapat membacanya dengan andal dan aman untuk digunakan. Inilah masalah yang ingin dipecahkan oleh tim dengan menggunakan sistem bernama AIRS.
AIRS adalah singkatan dari Automated IPV Risk Support. Sistem ini memanfaatkan dua jenis data yang berbeda, menggabungkannya untuk mencapai akurasi yang lebih tinggi dibandingkan penelitian terdahulu di bidang ini.
Baca juga: [Apa yang Anda korbankan saat mengenakan jam tangan pintar atau cincin]
Yang pertama adalah data rekam medis terstruktur, yaitu data yang sudah diatur dalam baris dan kolom. Ini mencakup diagnosis, resep obat, lokasi dan waktu pemeriksaan radiologi, frekuensi kunjungan ke unit gawat darurat, tanda-tanda vital, serta skor deprivasi sosial berdasarkan kode pos sebagai proksi tekanan sosial ekonomi.
Yang kedua adalah catatan klinis tidak terstruktur, yaitu teks naratif yang ditulis oleh radiolog, pekerja sosial, dokter gawat darurat, dan klinisi lain selama atau setelah pertemuan dengan pasien. Tim memprosesnya menggunakan Clinical‑Longformer, model bahasa klinis yang dilatih pada teks medis, yang mengubah setiap catatan ke dalam bentuk numerik yang bisa dianalisis.
Setiap aliran data dimasukkan ke dalam pengklasifikasi terpisah. Keduanya kemudian digabungkan menggunakan kerangka kerja bernama HAIM (Holistic AI in Medicine), yang menyatukan hasil pada tahap prediksi sementara data tetap independen. Jadi, jika catatan klinis rumah sakit tidak lengkap atau data terstruktur hilang, aliran lainnya tetap berkontribusi. Karena pencatatan bervariasi antar institusi klinis, desain ini mengatasi kekurangan vital tersebut.
Pada kelompok uji utama, model fusi mencapai AUC 0,88. AUC (area under the receiver operating characteristic curve) adalah ukuran standar seberapa baik model membedakan antara kasus dan non‑kasus. Skor 1,0 sempurna, sedangkan 0,5 setara dengan tebakan acak. Di semua tiga kelompok validasi, termasuk pasien dari rumah sakit kedua dalam jaringan dan pasien yang tidak pernah mencari bantuan program kekerasan dalam rumah tangga tetapi mendapat diagnosis IPV terkonformasi, AUC‑nya tetap di atas 0,8.
Baca juga: [Perangkat wearable menghasilkan data kesehatan besar‑besaran—dan dokter kesulitan mengikutinya]
Faktanya, model fusi menandai 80,6% kasus IPV sebelum pasien melaporkannya, dengan sel[b]ih waktu prediksi rata‑rata 3,68 tahun sebelum pengungkapan. Beberapa pasien diidentifikasi dari catatan yang telah berusia lebih dari lima tahun sebelum pengungkapan.
Teknologi IPV dari Masa ke Masa
Ini bukan pertama kalinya ada upaya menggunakan AI untuk mengidentifikasi korban kekerasan dalam relasi intim. Alat berbasis AI untuk menilai kekerasan terhadap perempuan telah digunakan atau diuji di beberapa negara selama lebih dari dua dekade.
Spanyol meluncurkan alat penilaian risiko algoritmik bernama VioGén pada tahun 2007, dikembangkan oleh Kementerian Dalam Negeri sendiri. VioGén digunakan oleh polisi dan, dalam beberapa kasus, hakim yang mengeluarkan perintah perlindungan. Namun, setidaknya 247 perempuan telah dibunuh oleh pasangan mereka sejak 2007 setelah dinilai oleh VioGén, menurut laporan berbagai organisasi berita. Tinjauan terhadap 98 pembunuhan tersebut menemukan bahwa 55 perempuan mendapat skor risiko rendah atau diabaikan. Laporan juga menunjukkan bahwa banyak petugas polisi mengikuti penilaian algoritma tanpa menerapkan penilaian independen.
Di Inggris, sebagian besar kepolisian menggunakan alat berbasis kuesioner bernama DASH untuk melakukan triage risiko pada korban. Studi tahun 2022 dari University of Manchester dan University of Seville menemukan bahwa DASH tidak dapat mengidentifikasi korban yang paling rentan Selain itu, model machine learning yang dilatih dengan data polisi secara signifikan mengunggulinya. Namun, studi tersebut juga mencatat masih banyak kekhawatiran etika yang belum terselesaikan untuk penggunaan praktis alat tersebut oleh penegak hukum.
Sementara itu, para peneliti klinis telah mengerjakan masalah ini dari sudut pandang yang berbeda. Sebuah studi tahun 2009 di The BMJ menunjukkan bahwa catatan rumah sakit longitudinal dapat memprediksi diagnosis kekerasan rumah tangga di masa depan. Baru‑baru ini, peneliti menerbitkan algoritma NLP yang memeriksa lebih dari satu juta kunjungan IGD untuk bahasa terkait IPV dalam catatan klinis, mencapai Presisi 99,5% dalam mengidentifikasi kunjungan verbal. Di Australia, peneliti di University of New South Wales menerapkan deep learning pada hampir 500.000 narasi polisi dari Kepolisian NSW untuk memprediksi kekambuhan kekerasan dalam keluarga.
Mengingat implikasi yang meresahkan, namun sebagaian besar dari upaya ini belum meluas di luar proyek percontohan atau implementasi terbatas. Sementara itu, pelaporan diri sendirian tetap menjadi standar intervensi hukum clan medis.