Disertasi

Pengembangan Model Skrining Retinopati Diabetik Menggunakan Kecerdasan Artifisial di Layanan Primer di Jakarta = Development of Diabetic Retinopathy Screening Model Using Artificial Intelligence at Primary Health Care in Jakarta.

Skrining Retinopati Diabetik (DR) merupakan strategi pencegahan kebutaan penting karena dapat mengidentifikasi kasus secara dini sehingga dapat dilakukan tindak lanjut yang sesuai. Skrining yang efektif harus memiliki cakupan dan akurasi yang tinggi, serta pola rujukan yang baik. Perkembangan teknologi kesehatan termasuk kecerdasan artifisial (AI) potensial membantu meningkatkan efektivitas skrining DR di layanan primer terutama di negara berkembang seperti Indonesia. Penelitian ini bertujuan mengembangkan model skrining DR dengan menggunakan kecerdasan artifisial di layanan primer di Jakarta. Penelitian ini terdiri dari tiga tahap yaitu analisis situasi, pengembangan model skrining dan uji coba implementasi model skrining. Tahap analisis situasi layanan Diabetes Melitus (DM) dan DR menggunakan desain potong lintang dengan menggunakan kuesioner Tool for the Assessment of Diabetic Retinopathy and Diabetes Management Systems (TADDS). Tahap kedua menggunakan desain deskriptif kualitatif bersama pemangku kepentingan terkait dengan memanfaatkan data analisis situasi dan scoping review dari data model skrining di negara berkembang di seluruh dunia. Tahap ketiga menguji efektivitas klinis, feasibilitas dan akseptabilitas model skrining DR yang dihasilkan dari tahap sebelumnya. Kebijakan dan pedoman klinis DM sudah menjadi prioritas di Jakarta, namun pedoman manajemen klinis DR, teknologi kesehatan dan promosi kesehatan masih memiliki skor maturitas yang rendah dan memerlukan tindak lanjut perbaikan. Model skrining DR yang diusulkan dari tahap kedua adalah skrining DR di layanan primer oleh dokter umum dan/atau perawat dengan menggunakan kamera fundus dan AI. Hasil “rujuk” menurut AI akan diverifikasi oleh dokter mata (semiautomatis). Uji coba implementasi dilakukan di 2 Puskesmas dengan angka cakupan 31.1% (Pasar Rebo) dan 47,2% (Tanjung Priok). Akurasi kinerja AI Radr dalam menentukan kasus rujukan DR menunjukkan sensitivitas 75,7%, spesifisitas 72,0%, PPV 9,9%, NPV 98,6%, dengan tingkat akurasi sebesar 72,1%. Rerata waktu untuk pemeriksaan mata adalah 20.8 menit (SD ± 8,65). Akseptabilitas program yang diukur melalui skor kepuasan pasien menggunakan kuesioner CSQ18 mencapai median skor total 59 (min-max, 48–72). Model skrining DR menggunakan AI di layanan primer memiliki efektivitas yang baik, dapat dilakukan dan dapat diterima. Adopsi dan implementasi model ke dalam skala yang lebih besar dimungkinkan dengan mengintegrasikan model ini ke dalam layanan unggulan seperti prolanis dan cek kesehatan gratis (CKG). Strategi ini akan memperkuat layanan DM dan DR secara nasional dan meningkatkan usaha deteksi dini dan pemcegahan kebutaan.
Kata kunci: AI, DM, DR, layanan primer, skrining


Diabetic retinopathy (DR) screening is a crucial strategy in preventing blindness, as it enables early detection and timely intervention. Effective screening requires high coverage, diagnostic accuracy, and well-coordinated referral pathways. Advances in digital health, particularly artificial intelligence (AI), hold significant potential to enhance the effectiveness of DR screening in primary care, especially in low- and middle-income settings such as Indonesia. This study aimed to develop and evaluate an AI-assisted DR screening model for primary care facilities in Jakarta. The research was conducted in three stages: situational analysis, model development, and implementation testing. The situational analysis of diabetes mellitus (DM) and DR services employed a cross-sectional design using the Tool for the Assessment of Diabetic Retinopathy and Diabetes Management Systems (TADDS) questionnaire. The second stage employed a descriptive qualitative design, involving key stakeholders, informed by a situational analysis and a global scoping review of DR screening models in developing countries. The third stage assessed the clinical effectiveness, feasibility, and acceptability of the proposed model. While DM management guidelines were well-established in Jakarta, the maturity of DR clinical management, health technology adoption, and health promotion components scored low and required further improvement. The proposed model involved DR screening in primary care conducted by general practitioners or nurses using a fundus camera and AI support. Images identified as “referable” by AI were verified by ophthalmologists (semi-automated model). Pilot implementation in two Puskesmas achieved coverage rates of 31.1% (Pasar Rebo) and 47.2% (Tanjung Priok). AI diagnostic performance for referable DR yielded a sensitivity of 75.7%, specificity of 72.0%, positive predictive value (PPV) of 9.9%, negative predictive value (NPV) of 98.6%, and an overall accuracy of 72.1%. The mean screening duration was 20.8 minutes (SD ± 8.65). Program acceptability, as measured by the Client Satisfaction Questionnaire (CSQ-18), yielded a median total satisfaction score of 59 (range, 48–72). AI-assisted DR screening at the primary care level demonstrated good effectiveness, feasibility, and acceptability. Nationwide adoption and scale-up are feasible through integration with existing public health programs such as Prolanis (chronic disease management) and Cek Kesehatan Gratis (free health check). This approach could strengthen Indonesia’s national diabetic eye care strategy and support the early and equitable prevention of vision loss.
Keywords: Artificial intelligence, Diabetes mellitus, Diabetic retinopathy, Primary care, Screening