Pelajaran dari terobosan bor geotermal MIT untuk membangun layanan medis cerdas berbasis AI di Indonesia: fokus masalah, repurpose infrastruktur, ukur hasilnya.
Dari Batu Granit ke Ruang Rawat Inap: Apa Hubungan Geotermal, AI, dan Kesehatan?
Pada 2023, perusahaan spinout dari MIT bernama Quaise Energy berhasil mengebor batuan granit di lapangan terbuka hanya dengan gelombang mikro frekuensi tinggi, tanpa mata bor fisik. Mereka menembus salah satu jenis batu paling keras di bumi dengan kecepatan hingga 5 meter per jam, sementara teknologi konvensional di kisaran 0,1 meter per jam.
Sekilas, ini terdengar seperti cerita dunia energi, bukan dunia rumah sakit. Tapi kalau kita lihat lebih dalam, pola inovasinya mirip: mengganti cara lama yang lambat dan mahal dengan cara baru berbasis sains dan otomatisasi. Dan pola yang sama persis sedang terjadi di industri kesehatan Indonesia lewat AI (kecerdasan buatan).
Dalam seri "AI untuk Industri Kesehatan Indonesia: Layanan Medis Cerdas", artikel ini memakai kisah Quaise Energy sebagai cermin. Kita bahas bagaimana terobosan di energi mengajarkan cara berpikir tentang AI di rumah sakit, telemedicine, dan layanan kesehatan cerdas—dan apa artinya untuk pengambil keputusan di Indonesia yang lagi serius bangun layanan yang lebih cepat, akurat, dan efisien.
Singkatnya: Apa yang Dilakukan Quaise Energy dan Kenapa Penting?
Jawabannya: Quaise mengubah cara kita menembus batas fisik. Bukan dengan besi lebih keras, tapi dengan fisika dan gelombang energi.
Teknologi bor geotermal dengan gyrotron
Quaise Energy adalah spinout dari MIT Energy Initiative (MITEI) yang mengembangkan sistem bor geotermal baru. Intinya:
- Mereka memakai perangkat bernama gyrotron, sumber gelombang milimeter (mirip laser tapi di frekuensi lain) yang biasa dipakai di riset fusi nuklir dan industri.
- Ide kuncinya datang dari Paul Woskov, insinyur riset di MIT Plasma Science and Fusion Center.
- Alih-alih pakai mata bor mekanik, mereka mengirimkan energi ke batuan dan mencairkannya—bukan menghancurkannya secara mekanis.
Dengan pendekatan ini, mereka berhasil:
- Mengebor lubang sedalam 118 meter di lapangan (bukan lagi hanya di laboratorium).
- Menembus batuan granit yang sangat keras dengan kecepatan hingga 5 meter per jam.
- Mengalahkan rata-rata operasi pengeboran komersial saat ini yang hanya sekitar 0,1 meter per jam untuk batuan sekelas granit.
Target akhirnya ambisius: mengubah PLTU batu bara menjadi pembangkit geotermal dalam dengan memanfaatkan sumur bor super-dalam. Arahnya jelas: dari energi fosil ke energi bersih yang stabil.
Seperti kata CEO-nya, Carlos Araque: “Kami ingin membuat geotermal menjadi tulang punggung transisi energi, dan kami tidak akan berhenti sebelum berhasil.”
Pola Inovasi: Dari Pengeboran Geotermal ke AI di Rumah Sakit
Poin penting dari cerita Quaise bukan hanya teknologinya, tapi cara berpikir inovasinya. Pola ini sangat relevan kalau Anda sedang merencanakan transformasi AI di sektor kesehatan Indonesia.
1. Bukan ganti sistem, tapi repurpose infrastruktur
Quaise tidak membangun pembangkit baru dari nol. Mereka ingin mengubah PLTU batu bara yang ada menjadi pembangkit geotermal. Artinya:
- Memakai infrastruktur yang sudah ada: jaringan listrik, lahan, sistem distribusi.
- Mengganti “mesin di dalamnya”: dari ketel batu bara ke sumur geotermal.
Ini sama dengan apa yang seharusnya dilakukan banyak rumah sakit di Indonesia saat menerapkan AI untuk layanan medis cerdas:
- Bukan langsung membangun "rumah sakit digital baru", tapi meng-upgrade rumah sakit yang sudah ada.
- Menggunakan gedung, SDM, sistem antrian, dan alur klinis yang sudah ada, lalu menyuntikkan AI di titik-titik krusial: diagnostik, triase, penjadwalan, klaim BPJS, dan seterusnya.
Contohnya:
- Radiologi lama → ditambah AI untuk analisis citra (X-ray, CT scan, MRI) untuk deteksi awal TB, kanker paru, stroke.
- Pendaftaran manual → ditambah asisten virtual berbahasa Indonesia untuk skrining keluhan awal dan auto-triase ke poli yang tepat.
2. Dari batas mekanik ke batas sains data
Masalah utama bor mekanik: gesekan, panas, keausan. Masalah utama layanan kesehatan manual: keterbatasan manusia (waktu, fokus, kapasitas belajar).
Quaise melewati batas mekanik dengan energi elektromagnetik. Di kesehatan, kita melewati batas manual dengan AI & data:
- Dokter tetap pusat keputusan, tapi AI membantu membaca data dalam skala yang tidak mungkin dilakukan manusia sendirian.
- Sistem mulai belajar dari ribuan rekam medis, hasil radiologi, dan pola penyakit untuk memberi saran klinis.
Realitasnya, AI di kesehatan bukan mengganti dokter, tapi mengganti kerja manual yang repetitif dan rentan error.
3. Dari eksperimen ke demonstrasi lapangan
Quaise butuh waktu bertahun-tahun dari ide 2008 sampai demo lapangan 2023.
- Awal: uji konsep di lab dengan dana riset.
- Berikutnya: spinout, pendanaan, eksperimen terkontrol.
- Terbaru: demo di Marble Falls, Texas di medan nyata.
Ini persis jalur yang sehat untuk proyek AI di rumah sakit:
- Mulai kecil di satu use case (misal AI untuk triase di IGD).
- Uji di satu rumah sakit rujukan dengan tim IT dan dokter champion.
- Kalau terbukti mengurangi waktu tunggu / error, baru scale up ke RS lain atau cabang.
Yang sering bikin gagal justru kebalikannya: langsung beli "platform besar" tanpa pilot jelas, tanpa metrik keberhasilan yang terukur.
Pelajaran Praktis untuk AI di Sektor Kesehatan Indonesia
Pelajaran dari teknologi bor geotermal ini bisa diterjemahkan ke langkah konkret untuk rumah sakit, klinik, dan startup healthtech di Indonesia.
1. Fokus ke “batuan granit” di layanan kesehatan Anda
Dalam energi, tantangan besar adalah batuan keras di kedalaman. Dalam layanan kesehatan Indonesia, “batuan granit”-nya adalah:
- Antrean panjang di IGD dan poli.
- Keterbatasan dokter spesialis di daerah.
- Keterlambatan diagnosa (TB, kanker, penyakit jantung) karena data telat dianalisis.
- Administrasi klaim BPJS yang menghabiskan banyak jam kerja.
Sebelum bicara AI, jawab dulu: batu tersulit apa yang ingin Anda tembus?
Contoh fokus awal yang realistis:
- RSUD: triase otomatis berbasis AI untuk memilah kasus gawat darurat vs non-gawat.
- Klinik: chatbot medis berbahasa Indonesia untuk screening dasar sebelum dokter tatap muka.
- Grup rumah sakit: AI untuk coding diagnosis & prosedur yang lebih akurat guna mengurangi klaim ditolak.
2. Pilih “gyrotron” Anda: model AI yang tepat
Gyrotron adalah alat spesifik untuk tugas spesifik. Di kesehatan, "gyrotron"-nya adalah:
- Model AI untuk citra medis (misal deteksi nodul paru di X-ray).
- Model NLP (Natural Language Processing) berbahasa Indonesia untuk membaca keluhan pasien, rekam medis, atau rujukan.
- Model prediksi (readmission risk, risiko komplikasi, risiko gagal bayar).
Prinsip yang sama dengan Quase Energy:
- Jangan pakai satu model untuk semua masalah.
- Sesuaikan data, kasus klinis, dan konteks lokal Indonesia (bahasa, istilah medis, pola penyakit).
Buat rumah sakit, pendekatan rasional adalah:
- Mulai dari masalah dengan ROI klinis dan finansial tertinggi.
- Pilih partner teknologi yang bisa melatih model dengan data lokal secara aman dan patuh regulasi.
3. Repurpose infrastruktur TI yang sudah ada
Seperti Quaise yang memanfaatkan PLTU lama, fasilitas kesehatan juga bisa memanfaatkan:
- HIS (Hospital Information System) yang sudah ada.
- PACS radiologi eksisting.
- Sistem pendaftaran dan ERP yang sudah berjalan.
AI bisa disuntikkan sebagai:
- Lapis analitik di atas sistem yang sudah ada.
- API yang terhubung ke modul radiologi, IGD, farmasi, atau kasir.
- Dashboard klinis dan manajerial untuk dokter dan manajemen.
Kuncinya: jangan memaksa ganti total sistem kalau modul yang penting bisa diintegrasikan.
4. Ukur seperti Quaise: kecepatan & kualitas
Quaise mengklaim 5 meter/jam vs 0,1 meter/jam di granit. Mereka bicara angka, bukan klaim marketing.
Untuk proyek AI di kesehatan, ukur dengan cara yang sama konkret:
- Waktu baca hasil X-ray sebelum & sesudah AI (menit per studi).
- Waktu tunggu pasien IGD sebelum & sesudah triase AI.
- Tingkat klaim BPJS yang ditolak vs disetujui sebelum & setelah otomatisasi coding.
- Tingkat deteksi dini TB atau kanker paru dengan bantuan AI.
Tanpa angka, sulit membuktikan ke dokter, manajemen, dan regulator bahwa AI ini memang layak dipertahankan dan diperluas.
Menjaga Keamanan, Etika, dan Kepercayaan Publik
Quaise bermain dengan energi tinggi. Salah desain, konsekuensinya besar. Di kesehatan, kita berhadapan dengan nyawa pasien—taruhannya justru lebih tinggi.
1. AI sebagai co-pilot, bukan pilot utama
Teknologi bor geotermal tetap butuh insinyur, geolog, dan pengambil keputusan manusia. Sama halnya dengan AI di layanan kesehatan:
- AI memberi rekomendasi, dokter yang memutuskan.
- AI bisa menyaring ratusan gambar, tapi konfirmasi tetap manusia.
- AI bisa memprediksi risiko, namun penyampaian ke pasien harus lewat tenaga medis terlatih.
Jangan menjual narasi "dokter diganti AI". Itu bukan hanya salah, tapi juga berbahaya untuk kepercayaan publik.
2. Data pasien adalah “energi panas bumi” yang sensitif
Data pasien sama berharganya dengan sumber energi di bawah tanah—bahkan lebih sensitif.
Beberapa prinsip kunci:
- Kepatuhan regulasi: taat ke aturan data kesehatan dan perlindungan data pribadi di Indonesia.
- Anonimisasi data untuk pelatihan model jika memungkinkan.
- Kontrol akses ketat: tidak semua staf perlu melihat semua data.
- Audit trail: siapa mengakses apa, kapan, dari mana.
Tanpa fondasi keamanan ini, proyek AI yang paling canggih pun akan sulit diterima publik dan regulator.
Dari Energi Bersih ke Layanan Medis Cerdas: Saatnya Langkah Nyata
Cerita Quaise Energy menunjukkan hal sederhana: inovasi besar lahir ketika kita berani mengganti alat lama dengan cara pandang baru, tanpa harus menghancurkan semua yang sudah dibangun.
Di Indonesia, kebutuhan akan layanan medis cerdas sama mendesaknya dengan transisi energi. Pasien makin banyak, tenaga kesehatan terbatas, beban administratif tinggi. AI bukan jawaban untuk semua hal, tapi ia adalah gyrotron kita: alat baru untuk menembus “batuan granit” di sektor kesehatan.
Bagi Anda yang ada di manajemen rumah sakit, dinas kesehatan, atau founder startup healthtech, pertanyaan praktisnya hari ini:
- Masalah paling keras mana yang ingin Anda tembus dalam 12–18 bulan ke depan?
- Data apa yang sudah Anda miliki untuk mulai membangun model AI di sana?
- Siapa mitra teknologi yang bisa bantu dengan pendekatan bertahap dan terukur, bukan sekadar jualan buzzword?
Transisi energi butuh waktu puluhan tahun. Transisi ke layanan medis cerdas berbasis AI juga begitu. Tapi seperti demonstrasi lapangan Quaise di Texas, selalu ada titik awal yang menandai: “ini bukan teori lagi, ini sudah bekerja di dunia nyata”.
Sekarang giliran sektor kesehatan Indonesia menentukan: di tanggal 09/12/2025 ini, langkah nyata pertama apa yang berani Anda ambil?