IGD Penuh, Tapi 40% Pasiennya Seharusnya Tidak di Sana: Bagaimana Pre-Screening AI Mengurangi Beban Gawat Darurat

IGD Penuh — Tapi Tidak Semua yang Ada di Sana Seharusnya di Sana

Pukul 9 malam, hari Selasa. Di Instalasi Gawat Darurat sebuah rumah sakit umum besar di Jakarta, setiap tempat tidur terisi. Perawat bergerak di antara brankar yang berjajar di koridor. Seorang petugas keamanan mengatur antrean di pintu masuk. Staf triase bekerja melalui tumpukan pasien, beberapa di antaranya sudah menunggu berjam-jam dengan keluhan yang akhirnya terbukti hanya demam ringan, pilek, dan sakit tenggorokan — kondisi yang seharusnya bisa ditangani di Puskesmas atau klinik umum, seandainya ada yang buka pada jam sekian.

Pemandangan ini berulang setiap malam, di ratusan rumah sakit di seluruh Indonesia. Kepadatan IGD bukan sekadar berita — ini adalah kenyataan struktural. Dan di balik kepadatan itu tersembunyi sebuah pola yang diketahui dengan baik oleh para administrator kesehatan namun sulit dipecahkan: sebagian besar pasien yang datang ke IGD, secara klinis, sebenarnya bukan kondisi gawat darurat. Secara global, penelitian menempatkan proporsi kunjungan IGD non-urgent pada median 32%, dengan nilai di beberapa sistem kesehatan mencapai 82%.^[1] Di Amerika Serikat, sekitar 30–50% kunjungan IGD diklasifikasikan sebagai non-urgent, menghabiskan sekitar $32 miliar per tahun dalam biaya layanan kesehatan yang tidak perlu.^[2]

IGD Indonesia menghadapi versi masalah ini yang diperparah oleh faktor-faktor struktural spesifik: jam operasional Puskesmas yang terbatas, rendahnya kepercayaan publik terhadap layanan primer, dominasi budaya datang langsung, dan persepsi luas bahwa IGD rumah sakit adalah pintu tercepat untuk mendapatkan perhatian medis apa pun. Satu studi di rumah sakit Kalimantan Selatan menemukan bahwa kunjungan gawat darurat melonjak dari 25,17% total kunjungan pada 2021 menjadi 40,86% pada 2023 — sebuah tren yang mengindikasikan sistem di bawah tekanan yang terus meningkat.^[3]Akibatnya bagi pasien yang benar-benar membutuhkan perawatan darurat: waktu tunggu lebih lama, perhatian staf yang terpecah, dan dalam kasus paling serius, keterlambatan penanganan yang berkorelasi dengan hasil buruk yang sebenarnya bisa dicegah. Penelitian bahkan secara langsung menghubungkan puncak kepadatan IGD dengan peningkatan kejadian henti jantung mendadak.^[4]

Mengapa Pasien Pergi ke IGD Padahal Tidak Harus

Untuk menyelesaikan masalah, kita harus memahaminya terlebih dahulu. Pasien yang datang ke IGD dengan kondisi non-urgent bukan bertindak tidak rasional — mereka merespons kesenjangan informasi. Mereka tidak tahu seberapa serius gejala yang mereka rasakan. Mereka tidak tahu harus ke spesialis mana. Mereka tidak tahu apakah klinik masih buka. Mereka tidak bisa mendapat janji hari itu. Mereka cemas, dan kecemasan memperbesarkan rasa urgensi yang mereka rasakan.

Dalam konteks Indonesia, beberapa dinamika tambahan mempercepat pola ini:

• Layanan setelah jam kerja yang tidak tersedia: Sebagian besar Puskesmas dan klinik umum beroperasi sekitar pukul 07.00 hingga 14.00. Setelah jendela waktu itu tertutup, IGD secara efektif menjadi satu-satunya pilihan layanan kesehatan yang dapat diakses oleh jutaan orang Indonesia — terlepas dari tingkat keparahan keluhan mereka.
• Rendahnya kepercayaan terhadap layanan primer: Sebagian besar populasi Indonesia melewati Puskesmas bukan karena tidak tersedia, tetapi karena pasien mempersepsikan layanan rumah sakit sebagai lebih berkualitas, lebih cepat, atau lebih definitif. Persepsi ini mendorong perilaku langsung ke IGD bahkan untuk kondisi seperti gastritis, infeksi saluran kemih ringan, dan keluhan kulit.
• Kerumitan BPJS: Banyak pasien tidak yakin apakah cakupan BPJS mereka memerlukan rujukan dari fasilitas kesehatan primer, atau apakah mengunjungi IGD langsung sudah tercover. Menghadapi ketidakpastian, mereka memilih satu pintu yang mereka tahu selalu terbuka: Instalasi Gawat Darurat.
• Kecemasan terhadap gejala: Pasien yang bangun dengan sesak dada, anak dengan demam 39°C, atau lansia yang merasa pusing saat berdiri — semua individu ini bisa secara wajar takut hal yang terburuk. Tanpa akses pada panduan apakah gejala mereka membutuhkan perawatan darurat, pilihan yang terasa paling aman adalah langsung ke IGD.
• Tidak ada saluran panduan sebelum berkunjung: Berbeda dengan banyak sistem kesehatan negara maju yang memiliki hotline perawat atau alat triase digital, kebanyakan pasien Indonesia tidak memiliki cara terstruktur untuk bertanya “apakah saya perlu ke IGD?” sebelum mereka datang.

“Kepadatan IGD bukan semata masalah rumah sakit — ini adalah kegagalan infrastruktur informasi yang seharusnya mengarahkan pasien ke tingkat perawatan yang tepat sebelum mereka pernah mencapai pintu rumah sakit.” — International Journal of Emergency Medicine, 2026^[5]

Biaya Klinis dan Operasional dari Salah Arah Perawatan Darurat

Ketika pasien yang hanya butuh antibiotik dua hari menempati tempat tidur IGD selama tiga jam, biayanya tidak hanya finansial — melainkan diukur dalam penundaan perawatan bagi setiap pasien yang datang setelahnya. Kepadatan IGD telah dikaitkan dengan peningkatan mortalitas pasien, tingkat pasien yang pergi tanpa diperiksa yang lebih tinggi, peningkatan kesalahan pengobatan, dan percepatan kelelahan staf.^[4] Bagi rumah sakit Indonesia yang sudah beroperasi dengan sumber daya manusia terbatas, menyerap lonjakan kasus non-urgent pada jam sibuk malam hari menciptakan krisis yang berlapis.

Dimensi finansial sama signifikannya. Kunjungan IGD non-urgent yang tidak memenuhi kriteria kegawatdaruratan BPJS Kesehatan diklasifikasikan sebagai “gawat darurat semu” dan mungkin tidak ditanggung sepenuhnya — meninggalkan pasien dengan tagihan out-of-pocket yang tidak terduga dan rumah sakit dengan tantangan penagihan. Pada saat yang sama, rumah sakit menanggung overhead triase, pengobatan, dan dokumentasi kunjungan-kunjungan ini sambil kehilangan kapasitas tempat tidur yang seharusnya diperuntukkan bagi kasus akut yang benar-benar darurat.

Bagi staf keperawatan dan medis, biaya manusiawi ini nyata. Perawat IGD di Indonesia sering dituntut mengelola triase, resusitasi akut, dan penerimaan administratif secara bersamaan — beban kerja yang menjadi tidak tertahankan ketika departemen dibanjiri kasus akuitas rendah. Retensi staf di bidang kedokteran darurat merupakan tantangan berkelanjutan secara global, dan kepadatan mempercepat laju kelelahan itu.

Mengarahkan Sebelum Pasien Meninggalkan Rumah: Kasus Pre-Screening AI via WhatsApp

Intervensi paling efektif untuk kepadatan IGD bukan berada di dalam instalasi gawat darurat — melainkan sebelum pasien meninggalkan rumah. Jika pasien dapat menerima panduan yang terstruktur dan aman tentang apakah gejalanya membutuhkan perawatan darurat dalam waktu dua menit setelah mengirim pesan ke saluran yang terpercaya, efek hilirnya terhadap volume IGD bersifat langsung dan terukur. Inilah premis inti dari pre-screening triase berbasis AI.

WhatsApp adalah saluran yang paling jelas untuk ini di Indonesia. Dengan sekitar 112 juta pengguna aktif dan tingkat penetrasi sekitar 92% di antara pengguna internet Indonesia per Q3 2024, WhatsApp adalah lapisan pesan default bagi hampir seluruh populasi konsumen layanan kesehatan yang dapat dijangkau.^[6] Tidak seperti aplikasi kesehatan khusus yang memerlukan unduhan, pendaftaran, dan adopsi perilaku baru, pesan WhatsApp ke nomor terverifikasi rumah sakit menjangkau pasien tepat di tempat mereka sudah berada — pukul 9 malam, di depan ponsel mereka, cemas dengan gejala yang tidak dapat mereka klasifikasikan.

Agen pre-screening AI yang beroperasi melalui WhatsApp dapat melakukan percakapan penilaian gejala terstruktur dalam waktu kurang dari dua menit: menanyakan sifat, durasi, dan tingkat keparahan keluhan utama; memeriksa gejala bendera merah yang menandakan kondisi darurat sesungguhnya; menilai riwayat yang relevan; dan menghasilkan rekomendasi routing dengan penjelasan yang jelas. Studi tentang triase berbantuan AI telah menunjukkan tingkat kesepakatan 84–86% dengan penilaian dokter dalam lingkungan triase terstruktur.^[7]

Prinsip desain yang kritis: AI pre-screening tidak mendiagnosis. AI ini mengarahkan. Agen pre-screening mengajukan pertanyaan yang tepat, menerapkan kerangka keparahan yang tervalidasi, dan merekomendasikan jalur perawatan yang sesuai — dengan instruksi eksplisit untuk mengekskalasi ketidakpastian ke perawatan darurat daripada melakukan under-triage. Arsitektur keamanannya bersifat konservatif secara desain.

Cara Kerja Agen hc-triage dari Qlar

Agen hc-triage dari Qlar dirancang khusus untuk kasus penggunaan skrining pra-kedatangan ini. Ia adalah agen AI percakapan yang beroperasi melalui WhatsApp, melakukan pre-screening terstruktur bagi pasien sebelum mereka memutuskan ke mana harus mencari perawatan. Begini cara interaksinya dalam praktik:

• Pengumpulan gejala: Agen memulai percakapan terstruktur untuk mengumpulkan keluhan utama pasien, durasi gejala, dan tingkat keparahan. Agen mengajukan pertanyaan lanjutan yang ditargetkan — bukan daftar periksa generik, melainkan percakapan bercabang yang beradaptasi dengan apa yang dilaporkan pasien. Pasien yang melaporkan nyeri dada ditanya pertanyaan berbeda dari yang melaporkan nyeri punggung bawah.
• Deteksi darurat dan eskalasi: Agen terus mengevaluasi kombinasi gejala bendera merah — nyeri dada dengan sesak napas, gejala stroke, tanda reaksi alergi berat, kesadaran menurun, perdarahan berat — dan langsung menandai untuk eskalasi ke perawat triase, dengan konteks gejala lengkap pasien dikirimkan sebelum panggilan bahkan dilakukan. Kasus darurat tidak pernah diarahkan ke perawatan mandiri.
• Routing spesialis untuk kasus non-urgent: Untuk pasien yang profil gejalanya tidak mengindikasikan darurat, agen mengarahkan ke tingkat perawatan yang tepat — merekomendasikan tipe spesialis yang benar, mengidentifikasi slot janji temu paling awal yang tersedia, dan menjelaskan mengapa jalur ini sesuai dengan presentasi mereka.
• Panduan pemantauan mandiri yang aman: Untuk presentasi akuitas rendah di mana pemantauan di rumah secara klinis aman, agen memberikan instruksi yang jelas dan berbasis bukti tentang apa yang perlu diperhatikan, kapan harus mencari perawatan, dan bagaimana mengelola gejala sementara itu — mengubah kunjungan IGD yang berpotensi terjadi menjadi keputusan perawatan mandiri yang teredukasi.
• Serah terima dengan konteks: Ketika pasien dirujuk ke IGD atau perawat, serah terima menyertakan ringkasan pre-screening lengkap — gejala, durasi, riwayat relevan — sehingga tim klinis menerima konteks sebelum pasien tiba, bukan setelahnya.

Apa yang tidak dilakukan hc-triage sama pentingnya: agen ini tidak meresepkan obat, tidak mendiagnosis kondisi, dan tidak menggantikan penilaian klinis. Ia adalah lapisan routing dan informasi — dirancang untuk memberi pasien panduan yang saat ini mereka tidak miliki dan memberi rumah sakit filter yang mengurangi volume IGD non-urgent tanpa mengorbankan keselamatan pasien yang benar-benar membutuhkan perawatan darurat.

Kategori Pasien dan Logika Routing

Menjawab Pertanyaan Keamanan Secara Langsung

Keberatan terpenting terhadap alat triase AI apa pun adalah pertanyaan keamanan: apa yang terjadi jika AI salah mengarahkan kasus serius ke rawat jalan? Kekhawatiran ini legitimate, dan respons desainnya harus ketat.

hc-triage dibangun dengan bias triase yang konservatif. Ketika data gejala ambigu — ketika kombinasi gejala yang dilaporkan tidak secara jelas mengecualikan etiologi serius — sistem default ke eskalasi, bukan de-eskalasi. Protokolnya adalah: jika ragu, arahkan ke darurat. Biaya over-triage (mengarahkan pasien akuitas rendah ke IGD) selalu lebih rendah daripada biaya under-triage (mengarahkan pasien akuitas tinggi ke rawat jalan). Agen ini secara eksplisit dirancang untuk memilih sisi yang aman.

Selain itu, agen ini tidak beroperasi secara terpisah. Setiap eskalasi dan routing akuitas tinggi menghasilkan notifikasi real-time ke tim klinis rumah sakit. Sistem ini adalah filter dan router, bukan penjaga gerbang — pasien yang mengabaikan rekomendasi agen dan tetap datang ke IGD akan diterima dan dinilai oleh staf klinis. hc-triage mengurangi volume; ia tidak menghalangi akses.

Penelitian yang diterbitkan dalam jurnal peer-reviewed mengonfirmasi bahwa sistem triase berbantuan AI dapat selaras erat dengan penilaian dokter sambil mengurangi waktu asesmen. Sebuah tinjauan sistematis dan meta-analisis 2025 menemukan bahwa alat triase AI mencapai akurasi keseluruhan 84,6% terhadap standar triase klinis, dengan performa kuat dalam mengidentifikasi kasus akuitas menengah dan tinggi.^[7]

Segera Hadir: Visi Qlar untuk Triase Pra-Kedatangan di Indonesia

hc-triage saat ini sedang dalam pengembangan sebagai bagian dari platform AI kesehatan Qlar. Artikel ini secara sengaja bersifat prospektif — kami menggambarkan ke mana pre-screening berbasis AI akan menuju, bukan mengklaim bahwa sistem ini sudah sepenuhnya terdeploy. Namun kasus klinisnya, infrastruktur teknisnya, dan peluang salurannya semua sudah ada. Yang dibutuhkan sekarang adalah implementasi yang bijaksana dalam konteks layanan kesehatan Indonesia.

Bagi administrator rumah sakit dan direktur klinis yang membaca ini, pertanyaan relevannya bukan apakah pre-screening AI akan menjadi bagian dari penyampaian layanan kesehatan di Indonesia — itu akan terjadi — melainkan apakah institusi Anda akan menjadi bagian dari pembentukan bagaimana hal itu dilakukan secara bertanggung jawab. Rumah sakit yang mengadopsi infrastruktur ini lebih awal akan mengumpulkan data klinis, menyempurnakan protokol routing mereka, dan membangun kepercayaan pasien terhadap saluran tersebut.

Qlar mengundang sejumlah terbatas rumah sakit dan jaringan layanan kesehatan untuk berpartisipasi dalam program early access hc-triage. Mitra awal akan bekerja langsung dengan tim klinis dan AI kami untuk mengonfigurasi agen sesuai profil pasien spesifik mereka, campuran spesialisasi, dan pola penerimaan IGD — serta akan memiliki masukan tentang bagaimana logika routing dikalibrasi untuk konteks triase Indonesia.

Kalkulasi Bisnis: Apa Artinya 30% Lebih Sedikit Kunjungan IGD Non-Urgent

Untuk rumah sakit Indonesia berukuran menengah yang menerima 200 pasien IGD per hari, jika 30–40% dari kunjungan tersebut non-urgent — estimasi konservatif berdasarkan data global dan Indonesia — itu berarti 60–80 pasien per hari yang bisa dengan aman diarahkan ke jalur perawatan alternatif. Mengalihkan bahkan setengah dari pasien tersebut melalui pre-screening AI memiliki efek berantai secara operasional:

• Pengurangan waktu tunggu IGD: Lebih sedikit pasien dalam antrean berarti asesmen awal yang lebih cepat untuk kasus yang benar-benar urgent — peningkatan langsung dalam hasil klinis.
• Pengurangan beban kerja staf: Perawat triase dan dokter gawat darurat menghabiskan lebih sedikit waktu memproses kasus gawat darurat semu, memungkinkan fokus yang lebih besar pada presentasi akut kompleks.
• Konversi rawat jalan: Pasien non-urgent yang diarahkan ke poli spesialis rawat jalan menghasilkan pendapatan janji temu yang sering lebih efisien ditagih daripada episode gawat darurat di bawah struktur tarif BPJS.
• Kepuasan pasien: Pasien yang diarahkan dengan tepat — menghindari antrean IGD berjam-jam untuk kondisi yang bisa ditangani di klinik — secara konsisten melaporkan kepuasan yang lebih tinggi dengan pengalaman perawatan.
• Infrastruktur data: Setiap interaksi pre-screening menghasilkan data gejala terstruktur yang, dari waktu ke waktu, memungkinkan rumah sakit untuk lebih memahami pola kesehatan komunitas mereka dan menyesuaikan kapasitas rawat jalan sesuai kebutuhan.

Kesimpulan: Solusinya Ada Sebelum Pintu, Bukan di Dalamnya

Masalah kepadatan IGD Indonesia tidak akan diselesaikan dengan menambah lebih banyak tempat tidur, merekrut lebih banyak perawat triase, atau memperluas kapasitas gawat darurat. Ini akan diselesaikan — atau setidaknya dikurangi secara substansial — dengan mengubah kapan pasien memutuskan untuk datang ke IGD sejak awal. Keputusan itu, dibuat di rumah, pukul 9 malam, oleh seseorang yang cemas dan kurang informasi, adalah persis di mana AI dapat melakukan intervensi.

Percakapan WhatsApp dua menit dengan agen pre-screening AI — yang mengajukan pertanyaan yang tepat, mengenali kedaruratan sejati, dan mengarahkan secara cerdas melalui jalur perawatan — bukan pengganti perawatan klinis. Ini adalah infrastruktur informasi yang saat ini hilang dari sistem layanan kesehatan Indonesia. Bagi pasien yang seharusnya menghabiskan empat jam di ruang tunggu IGD untuk demam ringan, ini adalah jalur lebih cepat menuju perawatan yang tepat. Bagi pasien yang sedang mengalami serangan jantung, ini adalah kedatangan lebih cepat dengan konteks klinis yang sudah ada di tangan tim yang menunggu mereka.

Agen hc-triage dari Qlar sedang dibangun untuk menutup celah ini. Bagi rumah sakit yang siap menjadi bagian dari masa depan itu, akses awal kini terbuka. IGD yang padat adalah gejala dari masalah yang bisa diselesaikan — dan solusinya dimulai sebelum pasien berikutnya mencapai pintu Anda.

Sumber

• ^[1] Rosen P et al. “Overcrowding Indicators in Emergency Departments Across Countries: Scoping Review.” Interactive Journal of Medical Research, 2026. i-jmr.org/2026/1/e78073
• ^[2] Weinick RM et al. “National Study of Non-urgent Emergency Department Visits and Associated Resource Utilization.” Western Journal of Emergency Medicine, 2013. PMC3876304
• ^[3] Studi rumah sakit regional dikutip dalam: “GAMBARAN PENANGANAN PASIEN GAWAT DARURAT DI RUANG IGD RSUD.” Jurnal Kesehatan Perintis, 2023. Data rumah sakit Kalimantan Selatan.
• ^[4] Shin TG et al. “Maximum emergency department overcrowding is correlated with occurrence of unexpected cardiac arrest.” Critical Care, BMC/Springer. PMC7276085
• ^[5] Assessing the Impact of External and Internal Factors on Emergency Department Overcrowding. International Journal of Emergency Medicine, Springer, 2026. doi.org/10.1186/s12245
• ^[6] Statista/Meltwater. “Indonesia social network penetration Q3 2024 — tingkat penetrasi WhatsApp 92%.” statista.com/statistics/284437/indonesia-social-network-penetration
• ^[7] Almutairi A et al. “Safety and accuracy of AI in triaging patients in the emergency department.” International Journal of Emergency Medicine, Springer, 2025. PMC12636208