Kaleidoskop 2025: Era AI Mulai Mengubah Layanan Medis di Indonesia

AI dalam bidang radiologi memungkinkan komputer membaca foto toraks (rontgen dada) dan CT scan dengan cara mengenali pola kelainan khas tuberkulosis (TB) yang sebelumnya dipelajari dari ribuan hingga jutaan gambar paru yang sudah diberi label oleh ahli.

Teknologi ini biasanya menggunakan metode deep learning yang sangat peka terhadap perubahan halus pada parenkim paru, sehingga dapat menandai area yang dicurigai sebagai TB, jauh lebih cepat dibanding proses baca manual oleh dokter.

Organisasi Kesehatan Dunia (WHO) sudah secara resmi merekomendasikan penggunaan perangkat lunak deteksi berbantuan komputer (computer-aided detection/CAD) berbasis kecerdasan buatan untuk membaca foto toraks digital/chest X-ray (CXR) sebagai alat skrining atau triase TB pada orang berusia 15 tahun ke atas. 

Kementerian Kesehatan (Kemenkes) bahkan pada Februari 2025 telah menandatangani nota kesepahaman (MoU) dengan perusahaan teknologi Qure.ai untuk mempercepat deteksi dini TB berbasis AI dalam pencitraan sinar-X dada. Langkah ini merupakan bagian dari transformasi digital sektor kesehatan guna meningkatkan efisiensi layanan dan mempercepat diagnosis. Proyek percontohan (pilot project) tersedia di RS Fatmawati dan RS Pusat Otak Nasional (RSPON). 

Secara global, AI mulai mengubah cara hasil pemeriksaan laboratorium klinis dibaca dan dianalisis. Dengan bantuan machine learning dan natural language processing (NLP), AI dapat membantu mendeteksi nilai yang tidak normal, membaca pola perubahan hasil pemeriksaan dari waktu ke waktu (longitudinal trends), serta memberikan tanda peringatan dini (early flag) pada biomarker yang berpotensi menimbulkan risiko kesehatan.

Sejumlah laboratorium besar, rumah sakit rujukan, dan pusat riset telah mulai menguji penggunaan AI untuk mempercepat analisis data pemeriksaan darah, urine, patologi digital, hingga biomarker yang lebih kompleks.

Dalam bidang patologi digital, AI yang menganalisis whole slide images—yaitu gambar jaringan utuh dari preparat patologi—menunjukkan tingkat sensitivitas yang cukup tinggi. Berbagai studi melaporkan sensitivitas di kisaran 80–90 persen, terutama untuk deteksi kanker payudara dan kanker saluran cerna.

Meski hasilnya menjanjikan, tetapi hingga 2025 teknologi ini secara global masih digunakan sebagai clinical decision support system (CDSS), artinya berfungsi membantu dokter dalam pengambilan keputusan, bukan menggantikan penilaian klinis dokter. Selain itu, AI patologi digital juga belum diadopsi secara luas sebagai standar utama dalam praktik medis sehari-hari.

AI triage dan chatbot kesehatan berfungsi sebagai "pintu gerbang digital" pertama di puskesmas atau klinik primer, menganalisis gejala pasien secara real-time melalui chat atau kuesioner untuk menentukan urgensi, merekomendasikan langkah selanjutnya dan mengurangi beban administratif hingga 80 persen pada kasus yang rutin terjadi.

Pada tahun 2025, penggunaan chatbot kesehatan di Indonesia cenderung berada pada fase adaptasi awal dan pendukung informasi, baik oleh masyarakat umum maupun dalam konteks layanan kesehatan masyarakat. Chatbot berperan sebagai alat bantu untuk:

• Memberikan informasi kesehatan awal.

• Mendukung proses administrasi layanan.

• Membantu skrining sederhana (terutama kesehatan mental).

Penggunaan sistem chatbot salah satunya melalui platform populer seperti WhatsApp untuk membantu layanan kesehatan masyarakat, misalnya dalam program Cek Kesehatan Gratis (CKG) yang mempermudah skrining mandiri dan pengaturan jadwal pemeriksaan melalui antarmuka obrolan otomatis.

Masyarakat dapat mengirim pesan ke nomor 0811-10-500-567 untuk memulai proses pendaftaran CKG. Chatbot akan memberikan pilihan menu, termasuk “Cek Kesehatan Gratis”, dan memandu pengisian data seperti nama, NIK, tanggal lahir, pilihan fasilitas kesehatan, serta tanggal pemeriksaan. Setelah proses selesai, tiket pemeriksaan akan diterbitkan dan dikirimkan melalui WhatsApp.

AI telah merevolusi analisis elektrokardiogram (ECG) dengan deep learning yang mendeteksi aritmia, gagal jantung, stenosis aorta, dan penyakit struktural jantung dari sinyal ECG 12-lead atau single-lead, sering kali mengungguli kardiolog dengan akurasi hingga 98 persen dan waktu analisis di bawah 2 menit.

Alat yang menggabungkan stetoskop dan ECG memungkinkan dokter mendengarkan dan mengamati irama jantung secara bersamaan. Penggunaan teknologi ini pun menjanjikan dalam diagnosis penyakit jantung yaitu stetoskop pintar berteknologi AI.

AI-smart stethoscope akan menjadi keniscayaan dalam praktik kedokteran di masa depan. Karena meningkatkan keandalan dan akurasi diagnosis dengan stetoskop konvensional yang auskultasi, mendengarkan suara jantung.

Prinsip dari AI adalah mengumpulkan banyak data (big data) dari suara jantung dan bunyi murmur suara jantung, yang akan ditangkap serta dianalisis dalam berbagai algoritma juga dilakukan analisis bootstrapping sehingga akan lebih meningkatkan akurasi penggunaan diagnosis secara auskultasi. 

Dampak dari teknologi AI ini amat bermanfaat untuk skrining oleh dokter layanan primer di puskesmas dan klinik sebelum dirujuk ke rumah sakit.

Di Inggris, terdapat penelitian uji coba penggunaan stetoskop yang dilengkapi dengan teknologi AI untuk membantu dokter meningkatkan deteksi dini gagal jantung bagi pasien dan mengurangi biaya perawatan.

AI kini mulai membantu pengelolaan rekam medis elektronik dengan cara yang lebih praktis dan efisien. Dengan teknologi pemrosesan bahasa dan pembelajaran mesin, AI mampu membaca dan mengolah berbagai catatan medis yang sebelumnya tidak terstruktur, seperti suara percakapan dokter dan pasien, tulisan tangan, hingga laporan laboratorium. Informasi tersebut kemudian diubah menjadi data rapi yang siap masuk ke sistem rekam medis, sehingga pekerjaan administratif tenaga kesehatan bisa berkurang secara signifikan.

Dalam praktiknya, AI digunakan untuk mendukung dokumentasi otomatis. Sistem ini dapat “mendengarkan” percakapan saat konsultasi berlangsung, lalu mengubahnya menjadi catatan medis terstruktur dan membantu pengisian kode diagnosis maupun klaim. Dengan cara ini, dokter tidak perlu lagi menghabiskan banyak waktu untuk mengetik laporan setelah memeriksa pasien.

AI juga membantu mengekstraksi dan mengelompokkan data medis dari berbagai dokumen, seperti hasil laboratorium, catatan pengobatan, dan hasil pemeriksaan penunjang. Data tersebut disusun secara konsisten dan dapat dipindahkan antar sistem tanpa perlu input manual, sehingga mengurangi risiko kesalahan.

Selain itu, inovasi ini juga dimanfaatkan untuk analisis dan prediksi. Teknologi ini dapat mengenali pola risiko, misalnya kemungkinan pasien harus dirawat ulang, serta menyusun ringkasan riwayat kesehatan pasien dalam jangka panjang. Hal ini memudahkan tenaga medis memahami kondisi pasien secara menyeluruh, bahkan ketika pasien berpindah fasilitas kesehatan.

Di sisi administrasi, AI membantu penjadwalan janji temu, pengingat kunjungan, verifikasi asuransi, hingga proses klaim. Otomatisasi ini membantu mengurangi pasien yang tidak datang sesuai jadwal dan menekan kesalahan dalam penagihan.

AI juga mulai digunakan untuk mengatur alur kerja di fasilitas kesehatan, seperti pendaftaran pasien, persetujuan administrasi, pengaturan jadwal tenaga medis, dan pengiriman notifikasi penting. Semua proses ini bisa dilakukan secara otomatis tanpa perlu pengaturan teknis yang rumit.

Dari sisi keamanan, ini mendukung perlindungan data rekam medis dengan pemantauan akses, pencatatan jejak aktivitas, dan pengelolaan beban kerja sistem. Tujuannya memastikan data pasien tetap aman sekaligus membantu fasilitas kesehatan menggunakan sumber daya secara lebih tepat.

Indonesia telah berada pada tahap awal adopsi AI dalam manajemen rekam medis dan otomasi administratif, dengan beberapa sistem yang telah berjalan di rumah sakit besar, dan tren ini diperkirakan akan terus berkembang ke fasilitas lain dalam beberapa tahun mendatang.

AI kini juga dimanfaatkan untuk membantu memprediksi lonjakan kasus penyakit dan memperkuat pemantauan wabah. Teknologi ini menganalisis berbagai data, seperti rekam medis, kunjungan ke fasilitas kesehatan, pergerakan penduduk, hingga kondisi cuaca, untuk mendeteksi kenaikan kasus yang tidak biasa sejak dini.

Dalam praktiknya, ini juga menggabungkan model epidemiologi dengan pembelajaran mesin untuk membangun sistem peringatan dini. Sistem ini membantu pemerintah dan rumah sakit bersiap lebih cepat, misalnya dengan menambah kapasitas layanan atau tenaga kesehatan. Pendekatan tersebut telah digunakan untuk memantau penyakit menular seperti influenza, COVID-19, dan demam berdarah.

Di Indonesia, pemantauan penyakit mulai mengandalkan penggabungan data kesehatan, cuaca, dan pengamatan vektor guna mengantisipasi lonjakan kasus, terutama demam berdarah. Salah satu contohnya adalah platform ClimateSmart Indonesia, yang memanfaatkan AI untuk memprediksi dan merespons penyakit yang dipengaruhi perubahan iklim, seperti malaria dan demam berdarah, sebagai dukungan bagi perencanaan kesehatan masyarakat.

AI sudah menjadi bagian integral dari program skrining retinopati diabetik (DR) di berbagai negara, dengan bukti kuat bahwa algoritma deep learning mampu mendeteksi DR yang “referable” dengan sensitivitas dan spesifisitas tinggi, serta sudah ada sistem yang disetujui otoritas regulator untuk penggunaan klinis rutin.

Dalam konteks pelayanan primer dan daerah dengan keterbatasan dokter mata (termasuk Indonesia), AI diposisikan sebagai alat triase/skrining otomatis dari foto fundus (untuk menilai kondisi pembuluh darah retina) sehingga hanya kasus yang perlu dirujuk yang dikirim ke spesialis, memperluas cakupan skrining dan menurunkan beban biaya.

Alur skriningnya adalah sebagai berikut:

1. Foto fundus (dengan kamera tabletop, portabel, atau berbasis smartphone) diambil oleh tenaga kesehatan nonspesialis, sering kali tanpa dilatasi.

2. ​Gambar dikirim ke sistem AI yang mengklasifikasikan "tidak ada/mild DR" atau "DR yang memerlukan rujukan (moderate‑severe NPDR, PDR, dan/atau DME)", sering disertai skor probabilitas atau rekomendasi tindak lanjut.

3. ​Pasien dengan hasil “referable DR” dirujuk ke dokter mata untuk konfirmasi dan penatalaksanaan, sedangkan yang non‑referable diikutkan ke jadwal skrining rutin berikutnya.

Pada 2025, penggunaan AI untuk skrining DR di Indonesia belum diterapkan secara luas sebagai layanan rutin, tetapi perkembangannya mulai terlihat melalui berbagai inisiatif. Pemerintah, akademisi, dan sektor swasta mendorong skrining berbasis teknologi digital lewat program seperti Konsorsium DRIVE, riset universitas, serta proyek percontohan tele-oftalmologi yang memanfaatkan analisis gambar retina berbasis AI.

Teknologi ini digunakan sebagai alat bantu untuk mendeteksi tanda awal kerusakan retina dari foto fundus, terutama di daerah dengan keterbatasan dokter mata. Meski masih berada pada tahap pilot project dan riset, langkah-langkah tersebut menjadi fondasi penting menuju adopsi AI yang lebih luas dalam deteksi dini DR di masa mendatang.

AI dalam bidang farmasi dan pengelolaan obat digunakan untuk membantu memberi peringatan jika ada potensi interaksi obat, memprediksi efek samping obat yang berbahaya, serta menentukan pasien yang perlu diprioritaskan untuk peninjauan ulang obat.

Dengan bantuan AI, peringatan yang muncul bisa lebih tepat sasaran sehingga mengurangi kesalahan pemberian obat dan tidak membuat tenaga kesehatan kewalahan oleh terlalu banyak notifikasi yang kurang penting.

Dalam praktiknya, sistem AI dihubungkan dengan rekam medis elektronik dan perangkat lunak farmasi untuk memantau resep obat secara langsung. Teknologi ini menilai risiko berdasarkan kondisi masing-masing pasien dan hanya menampilkan peringatan yang benar-benar relevan secara medis.

Di Indonesia, penggunaan AI untuk manajemen obat dan peringatan interaksi obat masih berada pada tahap awal. Penerapan umumnya terbatas pada uji coba dan penelitian, dan belum menjadi praktik rutin di fasilitas kesehatan.

Sistem yang digunakan saat ini kebanyakan masih berupa fitur pendukung keputusan sederhana di aplikasi rumah sakit atau resep elektronik, yang bekerja berdasarkan aturan tetap, bukan AI yang lebih canggih. Pengembangan AI untuk memprediksi efek samping obat masih banyak dilakukan di lingkungan akademik dan belum sepenuhnya terintegrasi ke alur kerja klinis.

AI untuk skrining kanker serviks yang berbasis gambar serviks—seperti VIA (visual inspection with acetic acid), cervicography, dan visual triage pada perempuan yang hasil tes HPV-nya positif—terus berkembang pesat. Teknologi ini banyak diarahkan untuk digunakan di daerah dengan sumber daya terbatas serta dalam program “screen-and-treat”, yaitu skrining dan penanganan yang dilakukan dalam satu rangkaian layanan.

Dengan menggunakan model deep learning, foto serviks yang diambil melalui kamera biasa, smartphone, atau kolposkop dapat dianalisis untuk membantu menilai adanya lesi prakanker.

Sejumlah studi menunjukkan bahwa AI mampu membantu tenaga kesehatan nonspesialis dalam pengambilan keputusan klinis, bahkan dengan tingkat akurasi yang pada beberapa penelitian lebih baik dibandingkan VIA konvensional.

Sebagai catatan, metode VIA dan penilaian visual setelah tes HPV sangat bergantung pada pengalaman dan keterampilan pemeriksa. Hal ini membuat hasilnya cenderung subjektif dan dapat berbeda antar tenaga kesehatan, sehingga kehadiran AI berpotensi meningkatkan konsistensi dan kualitas skrining.

AI diposisikan sebagai alat bantu keputusan, yang:

• Mengklasifikasikan foto serviks (pra/pasca asam asetat) menjadi negatif, lesi prakanker (CIN2+), atau curiga kanker.

• ​Membantu triase perempuan HPV‑positif untuk menentukan siapa yang perlu dirujuk atau langsung diobati dalam skema screen‑and‑treat.

Di Indonesia sendiri sudah ada pengembangan dan uji awal aplikasi VIA‑AI berbasis Android dengan kinerja cukup baik, tetapi masih bersifat penelitian dan belum menjadi bagian rutin program nasional skrining kanker serviks.

Pada 2025, teknologi bedah berbasis robot yang dibantu AI (AI robotic-assisted surgery) dan sistem navigasi AI berkembang cepat. AI kini digunakan untuk membantu dokter bedah secara langsung saat operasi, melakukan beberapa tugas sederhana secara otomatis, serta memberikan panduan navigasi yang lebih presisi. Hasilnya, waktu operasi dapat berkurang hingga sekitar 25 persen dan risiko komplikasi turun sekitar 30 persen dibandingkan operasi manual.

Sistem bedah robot seperti da Vinci juga makin canggih karena dilengkapi AI untuk menilai keterampilan dokter bedah (skill assessment), mengenali dan membedakan jaringan tubuh (tissue segmentation), serta menampilkan panduan visual tambahan melalui teknologi augmented reality (AR).

Sementara itu, robot yang sepenuhnya otonom masih dalam tahap uji coba dan baru digunakan untuk tugas sederhana, seperti menjahit jaringan (suturing) atau mengatur posisi kamera selama operasi.

Di Indonesia dan negara berkembang lainnya, penggunaan bedah robot berbasis AI dan navigasi AI masih tergolong terbatas. Teknologi ini umumnya baru tersedia di rumah sakit swasta besar dan rumah sakit pemerintah tingkat nasional, dengan penerapan utama pada bedah urologi, bedah saluran cerna, ortopedi, serta layanan bedah jarak jauh (telesurgery). Tantangan utamanya adalah biaya yang tinggi, keterbatasan tenaga terlatih, dan kesiapan infrastruktur.

Berikut gambaran perkembangannya di Indonesia:

• Siloam Hospitals Kebon Jeruk meresmikan Pusat Bedah Robotik pertama di Indonesia (16 Desember 2025) dengan da Vinci Xi (peluncuran perdana Juli 2025), ROSA Knee, dan Robotic Prostate Biopsy untuk presisi minimally invasive di urologi, ortopedi, dan bedah umum.

• ​RS EMC Alam Sutera lakukan operasi bariatrik pertama dengan da Vinci Xi (11-12 Desember 2025) dan operasi perdana lainnya, menekankan pemulihan cepat dan rasa nyeri yang minimal.

• Tzu Chi Hospital, RS Jantung Harapan Kita, RS Cipto Mangunkusumo (RSCM) dan RS Hasan Sadikin (RSHS) Bandung mengadopsi sistem seperti CUVIS Joint (ortopedi lutut), Sina Robotics, dan da Vinci untuk telesurgery.​

• Kemenkes bangun Robotic Surgery Centers di RSHS Bandung dan RS Sardjito Yogyakarta sejak 2020 untuk telesurgery dan minimally invasive, mengurangi antrean rujukan JKN.

Sepanjang 2025 terlihat bahwa kecerdasan buatan mulai mengambil peran nyata dalam layanan kesehatan di Indonesia, meski sebagian besar masih berada pada tahap awal adopsi. Dari skrining penyakit, pemantauan wabah, chatbot, hingga pengelolaan rekam medis dan obat, AI hadir sebagai alat bantu untuk mempercepat layanan, meningkatkan ketepatan, dan memperluas akses, bukan menggantikan peran tenaga kesehatan.

Tantangan seperti regulasi, integrasi sistem, kesiapan infrastruktur, dan literasi digital masih perlu diatasi. Namun, berbagai inisiatif pemerintah, riset akademik, dan kolaborasi lintas sektor menunjukkan bahwa fondasi menuju layanan kesehatan yang lebih cerdas dan responsif sudah mulai terbentuk, menandai awal dari transformasi jangka panjang sistem kesehatan Indonesia di era AI.

Referensi

World Health Organization, TDR, the Special Programme for Research and Training in Tropical Diseases, and Global TB Programme (GTB) at WHO. “Using Artificial Intelligence to Facilitate Detection of Pulmonary TB.” Report, March 2021.

"Kemenkes dan Qure.ai Jalin Kerja Sama Pemanfaatan Kecerdasan Buatan dalam Deteksi TB". Kemenkes. Diakses Desember 2025.

Geric, C., Z. Z. Qin, C. M. Denkinger, S. V. Kik, B. Marais, A. Anjos, P-m. David, F. Ahmad Khan, and A. Trajman. “The Rise of Artificial Intelligence Reading of Chest X-Rays for Enhanced TB Diagnosis and Elimination.” The International Journal of Tuberculosis and Lung Disease 27, no. 5 (May 1, 2023): 367–72.

Yang, Yuanqing, Kai Sun, Yanhua Gao, Kuansong Wang, and Gang Yu. “Preparing Data for Artificial Intelligence in Pathology with Clinical-Grade Performance.” Diagnostics 13, no. 19 (October 3, 2023): 3115.

McGenity, Clare, Emily L. Clarke, Charlotte Jennings, Gillian Matthews, Caroline Cartlidge, Henschel Freduah-Agyemang, Deborah D. Stocken, and Darren Treanor. “Artificial Intelligence in Digital Pathology: A Systematic Review and Meta-Analysis of Diagnostic Test Accuracy.” Npj Digital Medicine 7, no. 1 (May 4, 2024): 114.

Gaffney, Harry, and Kamran M Mirza. “Pathology in the Artificial Intelligence Era: Guiding Innovation and Implementation to Preserve Human Insight.” Academic Pathology 12, no. 1 (January 1, 2025): 100166.

"Why Medical Chatbots Are Essential in Modern Healthcare". John Snow LABS. Diakses Desember 2025.

Authors, Michelle Clark, and Sharon Bailey. “Chatbots in Health Care: Connecting Patients to Information.” NCBI Bookshelf, January 1, 2024.

Jamil, Hajra, Maryam Hameed, Sarah Sheikh, and Mah Rukh Nisar. “Artificial Intelligence in Cardiovascular Diagnostics: A Systematic Review and Descriptive Analysis of Clinical Applications and Diagnostic Performance.” BMC Cardiovascular Disorders 25, no. 1 (November 28, 2025): 849.

Poterucha, Timothy J, Linyuan Jing, Ramon Pimentel Ricart, Michael Adjei-Mosi, Joshua Finer, Dustin Hartzel, Christopher Kelsey, et al. “Detecting Structural Heart Disease from Electrocardiograms Using AI.” Nature 644, no. 8075 (July 16, 2025): 221–30.

Reis, Tiago Cunha. “Artificial Intelligence and Natural Language Processing for Improved Telemedicine: Before, during and after Remote Consultation.” Atención Primaria 57, no. 8 (February 15, 2025): 103228.

Sun, Grace K., and Andrew P. Ambrosy. “Applying Natural Language Processing to Electronic Health Record Data—From Text to Triage.” JAMA Network Open 7, no. 11 (November 7, 2024): e2443934.

"Diagnosis Penyakit Makin Canggih dengan Stetoskop AI". Kemenkes. Diakses Desember 2025.

"Bijak Gunakan AI untuk Akses Informasi Kesehatan". Kemenkes. Diakses Desember 2025.

"Ministry of Health Launches Healthcare AI Hackathon 2025: Innovators Collaborate for the Future of Indonesia's Healthcare". Kemenkes. Diakses Desember 2025.

Kaur, Jasleen, and Zahid Ahmad Butt. “AI-Driven Epidemic Intelligence: The Future of Outbreak Detection and Response.” Frontiers in Artificial Intelligence 8 (July 30, 2025): 1645467.

Ye, Yang, Abhishek Pandey, Carolyn Bawden, Dewan Md. Sumsuzzman, Rimpi Rajput, Affan Shoukat, Burton H. Singer, Seyed M. Moghadas, and Alison P. Galvani. “Integrating Artificial Intelligence with Mechanistic Epidemiological Modeling: A Scoping Review of Opportunities and Challenges.” Nature Communications 16, no. 1 (January 10, 2025): 581.

Babenko, Boris, Akinori Mitani, Ilana Traynis, Naho Kitade, Preeti Singh, April Y. Maa, Jorge Cuadros, et al. “Detection of Signs of Disease in External Photographs of the Eyes via Deep Learning.” Nature Biomedical Engineering 6, no. 12 (March 29, 2022): 1370–83.

Yusran, M and Bagian Ilmu Kesehatan Mata, Fakultas Kedokteran, Universitas Lampung. “Kecerdasan Buatan Dalam Diagnosis Retinopati Diabetik.” Journal-article. JK Unila. Vol. 6, October 2022.

Graafsma, Jetske, Rachel M Murphy, Ewoudt M W Van De Garde, Fatma Karapinar-Çarkit, Hieronymus J Derijks, Rien H L Hoge, Joanna E Klopotowska, and Patricia M L A Van Den Bemt. “The Use of Artificial Intelligence to Optimize Medication Alerts Generated by Clinical Decision Support Systems: A Scoping Review.” Journal of the American Medical Informatics Association 31, no. 6 (April 19, 2024): 1411–22.

Chalasani, Sri Harsha, Jehath Syed, Madhan Ramesh, Vikram Patil, and T.M. Pramod Kumar. “Artificial Intelligence in the Field of Pharmacy Practice: A Literature Review.” Exploratory Research in Clinical and Social Pharmacy 12 (October 21, 2023): 100346.

Viñals, Roser, Magali Jonnalagedda, Patrick Petignat, Jean-Philippe Thiran, and Pierre Vassilakos. “Artificial Intelligence-Based Cervical Cancer Screening on Images Taken during Visual Inspection with Acetic Acid: A Systematic Review.” Diagnostics 13, no. 5 (February 22, 2023): 836.

Desai, Kanan T., Brian Befano, Zhiyun Xue, Helen Kelly, Nicole G. Campos, Didem Egemen, Julia C. Gage, et al. “The Development of ‘Automated Visual Evaluation’ for Cervical Cancer Screening: The Promise and Challenges in Adapting Deep‐learning for Clinical Testing.” International Journal of Cancer 150, no. 5 (November 20, 2021): 741–52.

Harsono, Ali Budi, Hadi Susiarno, Dodi Suardi, Louis Owen, Hilman Fauzi, Jessica Kireina, Rizki Amalia Wahid, Johanna Sharon Carolina, Kemala Isnainiasih Mantilidewi, and Yudi Mulyana Hidayat. “Cervical Pre-Cancerous Lesion Detection: Development of Smartphone-Based VIA Application Using Artificial Intelligence.” BMC Research Notes 15, no. 1 (December 3, 2022): 356.

"Masa Depan Robotic Surgery di Indonesia: Manfaat, Tantangan, & Perkembangannya". TZU CHI HOSPITAL. Diakses Desember 2025.

"First da Vinci Xi rollout in Indonesia". HealthcareITNews. Diakses Desember 2025.

Wah, Jack Ng Kok. “The Rise of Robotics and AI-Assisted Surgery in Modern Healthcare.” Journal of Robotic Surgery 19, no. 1 (June 20, 2025): 311.