TULIS KARYA

Dokter Yang Menatap Pasien, Bukan Layar : Scriber AI Untuk Mengurangi Beban Administrasi Dokter Di FKTP

Oleh: Alfie Vere Likhie

Pendahuluan

Di banyak fasilitas kesehatan tingkat pertama (FKTP), para dokter menghabiskan sebagian besar banyak waktu mereka untuk electronic health record (EHR) dibandingkan tatap muka dengan pasien. Pada praktik rawat jalan, dokter hanya menghabiskan sekitar 27% waktu kerja untuk tatap muka langsung, sementara 49,2% tersita untuk pekerjaan EHR/administratif. Bahkan masih ada ±1–2 jam tambahan setelah jam praktik untuk tugas EHR. Temuan ini konsisten lintas spesialisasi dan menunjukkan beban administrasi yang menumpuk di luar interaksi klinis inti.(1)

Observasi lainnya juga menujukkan hal yang serupa. Pada dokter layanan primer, total waktu EHR mencapai 355 menit/hari (≈5,9 jam) dari 11,4 jam hari kerja, yang terdiri dari 269 menit (4,5 jam) saat jam klinik dan 86 menit (1,4 jam) di luar jam klinik. Hampir setengah waktu EHR tersebut dipakai untuk tugas klerikal/administratif (dokumentasi, order entry, billing/coding, keamanan sistem). Pola ini menjelaskan kenapa antrean memanjang dan melakukan pekerjaan diluar jam kerja menjadi kelaziman di layanan primer modern.(2)

Kabar baiknya, beban ini bisa dipangkas dengan desain kerja yang tepat. Studi kohort nasional terbaru menunjukkan adopsi team-based documentation berkaitan dengan penurunan waktu dokumentasi & waktu EHR dokter hingga 16.2% serta kenaikan volume kunjungan per minggu hingga 10.8% setelah fase pembelajaran. Menegaskan bahwa pekerjaan layar memang memakan porsi signifikan dan dapat dialihkan dari pundak klinisi lewat dukungan asisten/role pendokumentasi.(3)

Berangkat dari realitas tersebut, esai ini mengusulkan Scriber AI. Asisten pendokumentasian yang merekam (dengan persetujuan), mentranskrip, dan merangkum ke SOAP terstruktur, menyarankan kode ICD-10/ICPC, serta mem-prefill elemen e-resep dan klaim sementara dokter tetap memegang kendali sebagai pengulas, pengedit, dan penanda tangan. Tujuannya sederhana: mengembalikan menit-menit klinis yang tercecer oleh administrasi, memperlancar klaim, dan merapikan data untuk mutu layanan primer yang lebih tajam dan efisien.

Pembahasan

Di FKTP, dua biang keladi berulang: beban dokumentasi dan fragmentasi data. Studi time-motion menunjukkan dokter hanya menghabiskan ±27% waktu kerja untuk tatap muka, sementara 49,2% tersita untuk EHR/pekerjaan meja, plus tambahan ±1–2 jam setelah praktik khusus tugas EHR(1). Beban ini makin jelas pada event-log EHR dokter layanan primer: 355 menit/hari (≈5,9 jam) dari 11,4 jam kerja; 269 menit saat jam klinik + 86 menit di luar jam klinik, dan hampir setengahnya murni tugas klerikal (dokumentasi, order, billing/coding)(2).

Dampaknya waktu klinis terdesak dan antrean memanjang. Kohort nasional menunjukkan ketika dokumentasi administrasi dialihkan ke tim, waktu EHR dokter turun dan volume kunjungan naik(3). Masalah diperparah oleh data yang tercecer antara SIMPUS, aplikasi klaim, dan platform nasional. Indonesia sendiri menstandarkan pertukaran data lewat SATUSEHAT berbasis HL7 FHIR, yang artinya solusi hulu harus “berbahasa FHIR” agar mulus ke hilir(4).

Desain solusi : SCRIBER AI
Prinsipnya adalah untuk membebaskan atensi dokter dari tugas repetitif dan administratif tanpa mengambil alih putusan klinis. Semua keluaran seperti diagnosis ataupun resep akan ditandai “saran”, lalu wajib direview dan edit, lalu ditandatangani dokter.

Scriber AI ini akan melakukan beberapa hal, seperti :

  1. Automatic speech recognition (ASR) untuk merekam percakapan (dengan consent), membuat transkripnya, lalu meringkas S/O/A/P dengan rapi
  2. Diagnosis & resep. Memberikan saran ICD-10/ICPC, pre-fill e-resep, serta template edukasi pulang
  3. Pengecekan ulang kelengkapan data. Field wajib seperti identitas, kode, dan hasil pemeriksaan akan dicek ulang kelengkapannya. Bisa juga memberikan pertanda red-flags penyakit, ataupun menandai jika ada hasil pemeriksaan yang tidak logis.
  4. Integrasi standar. Secara otomatis memetakan SOAP ke FHIR untuk disubmit ke SATUSEHAT. Mengikuti standar interoperabilitas nasional.

Arsitektur SCRIBER AI : Opsi edge/on-device untuk lokasi dengan sinyal lemah, enkripsi end-to-end, retensi audio minimal (<24 jam) dengan audit akses. Desain mengacu pada pedoman intervensi digital WHO, untuk mengutamakan manfaat, kelayakan, keadilan, dan mitigasi risiko/kerugian.

Outputnya adalah :

  1. Dokumen dalam bentuk FHIR yang sudah siap kirim ke SATUSEHAT
  2. PDF ringkasan untuk pasien
  3. Log perubahan (siapa yang mengedit apa dan kapan) untuk akuntabilitas dan audit.

Alur kerja

  1. Pasien masuk, dokter meminta persetujuan, lalu mengetuk tombol rekam pada SCRIBER AI. Sistem mencatat consent dan mulai merekam audio terenkripsi.
  2. Percakapan diubah menjadi transkrip menggunakan ASR (speech-to-text) di edge
  3. Entitas klinis diekstrak, negasi dikenali, lalu terbentuk draf SOAP
  4. Bila muncul pola gejala bahaya, sistem menampilkan pengingat red-flag
  5. Setelah sesi konsultasi, akan ditampilkan kandidat ICP-10/ICPC beserta rasionalisasinya. E-resep diprefill (dosis, frekuensi, durasi) sambil memperhatikan interaksi antar obat.
  6. Ringkasan diagnosis, cara minum obat, dan tanda bahaya akan disiapkan dalam yang standar dan mudah dibaca.
  7. Dokter meninjau, mengedit, hingga meng-overide bila perlu, lalu menandatangani digital. Semua keluaran akan berstatus “saran” hingga disetujui.
  8. Membuat FHIR dan mengirim ke SATUSEHAT
  9. Ringkasan kunjungan dan instruksi pulang dikirim via whatsapp pasien
  10. Audio akan disimpan lokal dengan retensi <24 jam dan akses dibatasi RBAC dengan audit trail.
  11. Apabila koneksi terputus, akan dilakukan offline-first-queue untuk menjaga alur, dan sinkron otomatis saat jaringan pulih.
  12. Koreksi yang dilakukan oleh dokter akan menjadi feedback untuk sistem.

Integrasi & interoperabilitas
Scriber AI akan menggunakan format HL7 FHIR R4 supaya sekali input di ruang periksa langsung bisa dipakai lintas aplikasi(5). Draf SOAP dipetakan otomatis menjadi Bundle berisi resource kunci (Encounter, Condition, Observation, MedicationRequest) plus Consent/AuditEvent/DocumentReference untuk jejak izin dan audit, lalu dikirim ke SATUSEHAT, platform interoperabilitas Kemenkes yang memang menstandarkan pertukaran data klinis berbasis FHIR (struktur JSON: Resource/DomainResource/Bundle)(5). Profil-profil Indonesia (ID Core) sudah tersedia untuk resource tersebut. Misalnya profil Observation dan MedicationRequest sehingga pemetaan kita mengikuti kolom/elemen yang diharuskan nasional(5). Untuk urusan klaim JKN, elemen yang diperlukan (identitas, diagnosis, tindakan, resep, kronologi) di-bridge ke alur PCare/e-Claim milik BPJS Kesehatan agar formulir ter-prefill, mengurangi ketik ulang di hilir(6). Intinya dengan memiliki output FHIR, alur data akan mulus ke SATUSEHAT, dan klaim akan ringkas di PCare/e-Claim.

Tata kelola, privasi, dan keadilan
Semua otomasi dipagar dengan human-in-the-loop: keluaran selalu berlabel “saran”, wajib ditinjau–disetujui dokter. Hal ini sejalan dengan prinsip oversight & accountability pada panduan WHO untuk AI di kesehatan(7). Perlindungan data mengikuti UU No. 27/2022 tentang Pelindungan Data Pribadi (termasuk dasar pemrosesan, hak subjek, dan kewajiban pengendali/prosesor) sebagai rujukan legal utama di Indonesia(8). Retensi data dilakukan minimal sesuai prinsip UU PDP (dengan opsi penghapusan segera setelah ringkasan), dan setiap akses serta perubahan dicatat sebagai jejak audit memakai resource AuditEvent di FHIR(8).

Dampak yang diharapkan & indikator ukur

  1. Efisiensi waktu. Targetnya adalah menghemat >1,5 menit/kunjungan dengan membandingkan rerata waktu dokumentasi pra dan pasca implementasi. Mutu data klinis. Mengukur kelengkapan dan konsistensi field FHIR pada Bundle, dengan tolak ukur elemen mandatory sesuai profil SATUSEHAT.
  2. Klaim “right-first-time”. Dengan cara memantau penolakan klaim sebelum dan sesudah implementasi, beserta alasan penolakannya. Pengalaman pasien & nakes. Nilai kepuasan (skor likert) dan waktu tunggu
    antrian.

Desain uji pragmatis (stepped wedge)
Kami menggunakan stepped-wedge cluster randomised trial (SW-CRT). Delapan FKTP sebagai klaster diacak ke urutan aktivasi berbeda dan beralih dari kontrol. Intervensi tiap 4 minggu sampai semua klaster menerima Scriber AI, cocok untuk evaluasi layanan yang diharapkan bermanfaat namun harus digulirkan bertahap karena etika dan logistik(10). Setiap periode mengamati potongan lintas (repeated cross-sectional) sehingga efek intervensi diperkirakan dengan model campuran yang menyesuaikan tren waktu (fixed effects periode) dan korelasi intraklaster (random effects klaster), sesuai rekomendasi analisis SW-CRT(10). Pelaporan akan mengikuti CONSORT extension untuk SW-CRT agar transparan pada alokasi urutan, ukuran sampel (termasuk ICC/cluster-period correlation), serta penanganan potensi carry-over(10). Pilihan desain ini selaras dengan fungsi SW-CRT untuk riset implementasi/layanan kesehatan ketika semua klaster pada akhirnya perlu menerima intervensi(11). Secara praktis, metrik utama (waktu dokumentasi/kunjungan, kelengkapan FHIR, akurasi kode, “right-first-time” klaim, waktu tunggu, kepuasan) diukur tiap periode sehingga estimasi efek memisahkan pengaruh intervensi dari fluktuasi musiman atau kebijakan lokal.

Perhitungan biaya sederhana
Sebenarnya, tidak diperlukan investasi awal apabila rumah sakit tersebut memang sudah memiliki komputer dan mic karena yang diperlukan hanyalah menambah software AI. Akan tetapi, apabil rumah sakit tersebut belum memiliki komputer, maka set PC seperti Intel Core i5 varian RAM 4GB dengan hardisk 500GB seharga Rp895.000(12) ditambah mic seperti TaffSTUDIO Mikrofon Kondenser 3.5mm seharga Rp41.000(13) sudah cukup. Hal ini berarti total investasi per ruangan adalah sekitar Rp936.000.

Lalu untuk menghitung break even point nya, kita perlu untuk membuat beberapa asumsi. Dengan anggapan bahwa puskesmas tersebut memiliki rata-rata waktu pelayanan 15 menit (14,15,16) dan jam kerja 8 jam, maka rata-rata dalam sehari mereka bisa menerima 32 pasien. Menggunakan data dari Kemenkes, setiap kunjungan dihargai Rp3.600 sampai Rp9.000(17). Dengan anggapan bahwa setiap 1 jam tatap muka, dokter menghabiskan hampir 2 jam tambahan untuk pekerjaan administrasi, maka rata-rata waktu pelayanan bisa dipotong sebanyak kurang lebih 50% (seharusnya 66%, tapi dikurangi menjadi 50% sebagai buffer) menjadi 7.5 menit, dan puskesmas jadi bisa menerima 64 pasien. Dengan tambahan 32 pasien dan tiap kunjungan dapat menghasilkan Rp3.600 hingga Rp9.000, maka tambahan penghasilan mereka adalah Rp115.200 hingga Rp288.000 per hari. Maka investasi awal sebesar Rp936.000 tersebut akan kembali dalam waktu 8.125 hari hingga 3.25 hari. Hal ini menunjukkan seberapa besar dampak yang bisa dihasilkan oleh sebuah software SCRIBER AI, baik dalam aspek ekonomis dan juga aspek kualitas pelayanan.

Risiko & mitigasi operasional

  1. Halusinasi. Tidak dipungkiri, model generatif (termasuk Large Learning Model [LLM]) dapat memberi saran yang keliru. Oleh karena itu, dokter wajib untuk melihat saran tersebut dengan kritis.
  2. Privasi & legalitas. Tentu saja, privasi menjadi kekhawatiran terbesar saat menggunakan AI dan internet dalam ruang praktek. Oleh karena itu, enkripsi end-to-end dan retensi <24 jam perlu untuk dijalankan dengan benar.
  3. Konektivitas & downtime. Internet yang tidak stabil bisa menghentikan alurnya. Oleh karena itu, diperlukan desain offline-first dengan antrean sinkronisasi

Manajemen perubahan dan pelatihan
Implementasi Scriber AI butuh manajemen perubahan berjenjang. Mulai dari persiapan SDM, latih secara bertahap, dampingi di minggu awal, dan ukur rate adopsi. Hal ini sejalan dengan WHO Digital Implementation Investment Guide (DIIG) yang menekankan perencanaan berbasis kebutuhan, costing, dan kesiapan tenaga kerja sebelum go-live(18). Pelatihan dibagi dalam tiga tahapan. Pertama, onboarding 45 menit (materi inti: consent, privasi, alur review-edit-sign, dan cara penggunaan AI secara umum), coaching minggu pertama di lapangan (pendampingan “side-by-side” untuk memastikan penggunaan SCRIBER AI dengan tepat), dan refresh 1 bulan setelahnya berbasis metrik mingguan. Pola ini konsisten dengan anjuran WHO agar intervensi digital disertai dukungan implementasi dan penjaminan mutu, bukan sekadar pelatihan satu kali(19). Setiap sesi disertai job aid satu halaman (SOP start/stop rekam, checklist pre-check klaim, skenario red-flag) dan assessment kompetensi singkat berbasis observasi. Setelah itu, tunjuk champion per ruangan (dokter/perawat) dan buat buddy system 1:5 untuk troubleshooting harian. Saluran dukungan (WA/Helpdesk) dicatat sebagai tiket agar bisa ditinjau dalam learning loop mingguan. Terakhir, muat modul etika & akuntabilitas AI (label “saran”, kewajiban tinjau-tanda tangan, hak pasien atas data) karena WHO menekankan pengawasan manusia, transparansi, dan perlindungan hak sebagai prasyarat pemakaian AI di layanan kesehatan(7).

Penutup

Inti persoalan sudah jelas: jam klinis banyak terkikis oleh kerja layar—dokter menghabiskan porsi besar hari kerja untuk EHR/pekerjaan meja dan menambah pekerjaan serupa setelah jam praktik (1,2). Menggeser beban pencatatan ke model pendokumentasian berbasis tim terbukti berkaitan dengan turunnya waktu dokumentasi/EHR dan naiknya volume kunjungan setelah fase belajar, sehingga menit yang “bocor” bisa dikembalikan ke layanan langsung(3). Scriber AI diposisikan tepat di celah itu: bertindak sebagai juru tulis di bawah kendali dokter dan mengekspor catatan “berbahasa” HL7 FHIR R4 agar sekali input di hulu langsung mulus ke SATUSEHAT tanpa duplikasi entri(5). Implementasinya sebaiknya mengikuti kerangka WHO Digital Implementation Investment Guide (DIIG). Rencanakan kebutuhan, biaya, serta kesiapan SDM sejak awal agar manfaat klinis, efisiensi, dan interoperabilitas benar-benar terwujud di FKTP(18).

Daftar Pustaka:

  1. Sinsky C, Colligan L, Li L, Prgomet M, Reynolds S, Goeders L, et al. Allocation of
    Physician Time in Ambulatory Practice: A Time and Motion Study in 4 Specialties.
    Annals of Internal Medicine [Internet]. 2016 Sep 6 [cited 2025 Oct 7];165(11):753.
    Available from: https://www.acpjournals.org/doi/10.7326/M16-0961
  2. Arndt BG, Beasley JW, Watkinson MD, Temte JL, Tuan WJ, Sinsky CA, et al.
    Tethered to the EHR: Primary Care Physician Workload Assessment Using EHR
    Event Log Data and Time-Motion Observations. The Annals of Family Medicine
    [Internet]. 2017 Sep [cited 2025 Oct 7];15(5):419–26. Available from:
    https://www.stewartmedicine.com/wp-content/uploads/2018/12/Arndt-2017-Tetheredto-the-EMR-primary-care-physician-workload-data-using-EHR-event-log-data.pdf
  3. Apathy NC, A. Jay Holmgren, Cross DA. Physician EHR Time and Visit Volume
    Following Adoption of Team-Based Documentation Support. JAMA Internal
    Medicine [Internet]. 2024 [cited 2025 Oct 7]; Available from:
    https://jamanetwork.com/journals/jamainternalmedicine/fullarticle/2822382
  4. Heryawan L, Mori Y, Yamamoto G, Kume N, Lazuardi L, Fuad A, et al. Fast
    Healthcare Interoperability Resources (FHIR)-Based Interoperability Design in
    Indonesia: Content Analysis of Developer Hub’s Social Networking Service
    (Preprint). JMIR Formative Research [Internet]. 2023 Jul 27 [cited 2025 Oct 8];
    Available from: https://pmc.ncbi.nlm.nih.gov/articles/PMC12036547/
  5. Kementerian Kesehatan. FHIR [Internet]. Kemkes.go.id. 2025 [cited 2025 Oct 8].
    Available from: https://satusehat.kemkes.go.id/platform/docs//fhir
  6. Portal Informasi Indonesia. Indonesia.go.id – Cara Gunakan PCare BPJS Kesehatan
    [Internet]. Indonesia.go.id. 2019 [cited 2025 Oct 8]. Available from:
    https://indonesia.go.id/kategori/kesehatan/1139/cara-gunakan-pcare-bpjs-kesehatan
  7. WHO. Ethics and governance of artificial intelligence for health [Internet].
    www.who.int. 2021 [cited 2025 Oct 8]. Available from:
    https://www.who.int/publications/i/item/9789240029200
  8. Database Peraturan. UU No. 27 Tahun 2022 [Internet]. Database Peraturan | JDIH
    BPK. 2022 [cited 2025 Oct 8]. Available from:
    https://peraturan.bpk.go.id/Details/229798/uu-no-27-tahun-2022
  9. Hemming K, Haines TP, Chilton PJ, Girling AJ, Lilford RJ. The stepped wedge
    cluster randomised trial: rationale, design, analysis, and reporting. BMJ [Internet].
    2015 Feb 6 [cited 2025 Oct 8];350(feb06 1):h391–1. Available from:
    https://www.bmj.com/content/350/bmj.h391
  10. Hemming K, Taljaard M, Forbes A. Analysis of cluster randomised stepped wedge
    trials with repeated cross-sectional samples. Trials [Internet]. 2017 Mar 4 [cited 2025
    Oct 8];18(1). Available from:
    https://trialsjournal.biomedcentral.com/articles/10.1186/s13063-017-1833-7
  11. Hemming K, Taljaard M, Grimshaw J. Introducing the new CONSORT extension for
    stepped-wedge cluster randomised trials. Trials [Internet]. 2019 Jan 18 [cited 2025
    Oct 8];20(1). Available from:
    https://trialsjournal.biomedcentral.com/counter/pdf/10.1186/s13063-018-3116-3.pdf
  12. Shopee. Komputer Full Set Murah Intel Core I5 Ram 8GB SSD 120GB HDD 500GB
    LED 19″ Cocok Buat Office Siap Pakai PRIDE02 [Internet]. Shopee.co.id. 2017
    [cited 2025 Oct 8]. Available from:
    https://shopee.co.id/product/269930514/8507053026?gads_t_sig=VTJGc2RHVmtY
    MTlxTFVSVVRrdENkVzBLS2xuUGZzMlQ5NjlFWklmRkZjUW0wZTVCM3NFbk
    J5TE1rbnV2bTc5eVBJN2t0a3BZK2NkQW1iNnBWbHA4dFVZN2Q0eEZId1htd3pa
    YzRQTjFjT0tpSjVzaXkwcnZ5Z2tCS08yRnNxWWo
  13. Shopee. TaffSTUDIO Mikrofon Kondenser 3.5mm Microphone Condenser with
    Stand – SF-666 [Internet]. Shopee.co.id. 2017 [cited 2025 Oct 8]. Available from:
    https://shopee.co.id/TaffSTUDIO-Mikrofon-Kondenser-3.5mm-Microphone-Condens
    er-with-Stand-SF-666-i.1573842570.44357866441?sp_atk=71ca338c-bde6-459a-94f0
    -d2bde72aeea4&xptdk=71ca338c-bde6-459a-94f0-d2bde72aeea4
  14. Dinas Kesehatan Kabupaten Klaten. Pelayanan Pemeriksaan Umum – Kabupaten
    Klaten [Internet]. Puskesmas Karangnongko Kab.Klaten. 2023 [cited 2025 Oct 8].
    Available from:
    https://karangnongko.dinkes.klaten.go.id/pelayanan-pemeriksaan-umum-2
  15. Dinas Kesehatan Kecamatan Denpasar Selatan. Standar Pelayanan Puskesmas
    [Internet]. UPTD Puskesmas I Dinas Kesehatan Kecamatan Denpasar Selatan. 2017
    [cited 2025 Oct 8]. Available from:
    https://www.puskesmasdensel1.denpasarkota.go.id/page/standar-pelayanan-puskesma
    s
  16. Puskesmas Wirobrajan. Standar Pelayanan Di Puskesmas Wirobrajan [Internet].
    Jogjakota.go.id. 2023 [cited 2025 Oct 8]. Available from:
    https://wirobrajanpusk.jogjakota.go.id/detail/index/30134
  17. Kemenkes. Ini Dia Standar Tarif Baru Pelayanan JKN [Internet]. kemkes.go.id. 2023
    [cited 2025 Oct 8]. Available from:
    https://kemkes.go.id/id/%20ini-dia-standar-tarif-baru-pelayanan-jkn
  18. WHO. Digital implementation investment guide (DIIG): quick deployment guide
    [Internet]. www.who.int. 2022 [cited 2025 Oct 10]. Available from:
    https://www.who.int/publications/i/item/9789240056572
  19. World Health Organization. WHO guideline: recommendations on digital
    interventions for health system strengthening [Internet]. www.who.int. 2019 [cited
    2025 Oct 10]. Available from:
    https://www.who.int/publications/i/item/9789241550505