Policy Brief Memperkuat Tata Kelola Digital : Optimalisasi Decision Support System (DSS). Menuju Rumah Sakit Pendidikan Cerdas Berbasis Data

data

Policy brief ini menyoroti pentingnya penguatan Decision Support System (DSS) sebagai fondasi transformasi digital di rumah sakit pendidikan. Meskipun data rumah sakit telah tersedia dalam jumlah besar, pemanfaatannya masih belum optimal karena tersebar pada berbagai sistem yang belum terintegrasi, sehingga DSS lebih banyak berfungsi sebagai alat pelaporan daripada pendukung pengambilan keputusan strategis. Kajian yang melibatkan enam rumah sakit dan 506 pengguna SIMRS menunjukkan bahwa tata kelola, keamanan informasi, kepemimpinan digital, kualitas data, serta kompetensi sumber daya manusia merupakan faktor utama keberhasilan implementasi DSS. Oleh karena itu, direkomendasikan penerapan standar nasional yang mencakup interoperabilitas, mutu data, keamanan, dan peningkatan kapasitas pengguna melalui peta jalan implementasi selama 24 bulan. Pendekatan ini diharapkan mampu mewujudkan sistem informasi rumah sakit yang terintegrasi, menghasilkan data yang akurat dan terpercaya, serta mendukung pengambilan keputusan yang lebih cepat, tepat, dan berbasis bukti untuk meningkatkan mutu pelayanan kesehatan, pendidikan, dan penelitian.

Support Vector Machine (SVM) di Era Kesehatan Digital: Inovasi Teknologi untuk Mendukung Pelayanan Kesehatan

Support Vector Machine (SVM) di Era Kesehatan Digital: Inovasi Teknologi untuk Mendukung Pelayanan Kesehatan

Perkembangan kecerdasan buatan diketahui telah banyak membawa perubahan untuk mendukung pengambilan keputusan klinis. Dalam era big data saat ini, berbagai masalah diatasi menggunakan pendekatan machine learning (ML). Salah satu ML yang hingga kini menjadi andalan adalah Support Vector Machine (SVM). Sejak diperkenalkan beberapa dekade lalu, SVM terus mengalami penyempurnaan dan menjadi salah satu algoritma kecerdasan buatan dengan performa terbaik untuk klarifikasi dan memprediksi berbagai kondisi medis. SVM umumnya digunakan untuk diagnosis penyakit, prediksi luaran pasien, pengelolaan layanan kesehatan, hingga pengembangan sistem pendukung keputusan klinis.

Berdasarkan kajian artikel yang dilakukan oleh Guido et. al (2024), SVM bekerja dengan cara mempelajari pola dari data pasien untuk membedakan kelompok yang memiliki penyakit dan yang tidak. Keunggulan utama metode ini adalah kemampuannya menemukan batas pemisah (hyperplane) yang paling optimal sehingga mampu menghasilkan klasifikasi dengan tingkat akurasi tinggi bahkan ketika hubungan antar variabel bersifat kompleks dan tidak linier. Kemampuan tersebut membuat SVM banyak dimanfaatkan pada diagnosis kanker, penyakit kardiovaskular, gangguan neurologis, diabetes, penyakit hati, glaukoma, sleep apnea, serta analisis pencitraan medis seperti MRI, CT Scan, PET-CT, mammografi, dan foto toraks. Selain diagnosis, SVM juga digunakan untuk memperkirakan prognosis pasien, risiko komplikasi, angka kelangsungan hidup, lama rawat inap, dan kemungkinan readmisi rumah sakit. 

Salah satu alasan SVM banyak digunakan di bidang kesehatan adalah kemampuannya bekerja secara efektif pada data berdimensi tinggi. Salah satu contoh penggunaanya diterapkan untuk mengolah data ekspresi gen yang dapat memiliki ribuan variabel tetapi jumlah sampelnya hanya sedikit. Contoh lainnya dalam penelitian genomik, SVM mampu membantu mengidentifikasi gen yang berhubungan dengan leukemia, kanker kolon, limfoma, dan berbagai jenis kanker lainnya. Teknologi ini juga berperan dalam pengembangan personalized medicine, yaitu penyusunan terapi yang disesuaikan dengan karakteristik genetik, kondisi klinis, dan profil masing-masing pasien sehingga pengobatan menjadi lebih presisi. Meskipun memiliki performa tinggi, penerapan SVM tidak lepas dari berbagai tantangan. Salah satu kendala terbesar adalah ketidakseimbangan data. Dalam praktik klinis, jumlah pasien yang mengalami penyakit tertentu sering kali jauh lebih sedikit dibandingkan pasien sehat. Kondisi ini dapat menyebabkan algoritma cenderung “belajar” dari kelompok mayoritas sehingga gagal mengenali pasien yang benar-benar sakit. Kesalahan seperti ini sangat berbahaya karena dapat meningkatkan risiko keterlambatan diagnosis dan penanganan.

Kajian ini juga menunjukkan bahwa perkembangan SVM tidak lagi berdiri sendiri, tetapi banyak dikombinasikan dengan algoritma optimasi dan teknik machine learning lainnya. Beberapa penelitian menggabungkan SVM dengan Particle Swarm Optimization, Grey Wolf Optimization, Whale Optimization Algorithm, Harris Hawk Optimization, atau metode clustering seperti K-Means untuk memperoleh parameter terbaik secara otomatis. Kombinasi tersebut terbukti mampu meningkatkan akurasi sekaligus mengurangi waktu komputasi. Pada beberapa dataset kanker payudara yang sering digunakan sebagai standar internasional, kombinasi berbagai metode tersebut berhasil mencapai akurasi lebih dari 99% untuk membedakan tumor jinak dan ganas. Meskipun demikian, penulis menegaskan bahwa hasil pada dataset penelitian belum tentu dapat langsung diterapkan pada populasi pasien di dunia nyata tanpa proses validasi eksternal yang memadai.

Selain meningkatkan akurasi, banyak inovasi SVM dikembangkan untuk mengatasi masalah efisiensi komputasi. Algoritma SVM konvensional membutuhkan waktu pelatihan yang cukup lama ketika jumlah data sangat besar karena harus menyelesaikan persoalan optimasi yang kompleks. Beberapa varian lainnya seperti Least Squares SVM (LS-SVM), Proximal SVM, dan Twin SVM juga dikembangkan untuk menjawab tantangan tersebut. Hal ini dilakukan untuk mempercepat proses pelatihan tanpa mengurangi performa klasifikasi secara signifikan. Pengembangan ini menjadi semakin penting seiring meningkatnya penggunaan big data kesehatan dan rekam medis elektronik yang menghasilkan jutaan data pasien setiap hari.

Kualitas data juga menjadi faktor yang sangat menentukan keberhasilan penerapan AI di bidang kesehatan. Penulis menekankan bahwa model secanggih apa pun tidak akan memberikan hasil optimal apabila data mengandung banyak kesalahan, label diagnosis yang tidak akurat, data hilang, atau informasi yang tidak lengkap. Oleh karena itu, proses pembersihan data, normalisasi, rekayasa fitur (feature engineering), serta evaluasi model merupakan tahapan yang sama pentingnya dibandingkan pemilihan algoritma. Kajian ini juga menyoroti pentingnya penggunaan indikator evaluasi yang tepat, seperti sensitivitas, spesifisitas, Area Under the Curve (AUC), Matthews Correlation Coefficient (MCC), dan F1-score ketika menghadapi data yang tidak seimbang. Mengandalkan akurasi saja dapat memberikan gambaran yang menyesatkan mengenai kemampuan suatu model.

Secara keseluruhan, tinjauan ini menunjukkan bahwa SVM masih menjadi salah satu algoritma machine learning yang paling relevan dalam bidang kesehatan dan memiliki potensi besar untuk mendukung layanan kesehatan berbasis data. Perkembangan SVM memberikan peluang besar untuk meningkatkan kualitas pelayanan klinis bagi praktisi kesehatan. Namun, SVM tentunya tidak dimaksudkan untuk menggantikan penilaian klinis tenaga kesehatan tetapi menjadi alat pendukung yang memperkuat ketepatan keputusan melalui analisis data yang lebih komprehensif. Dalam sisi manajemen rumah sakit, implementasi SVM seharusnya dapat membuka peluang untuk meningkatkan efisiensi operasional dan mutu layanan. Prediksi lama rawat inap, risiko readmisi, angka mortalitas, atau potensi komplikasi dapat membantu perencanaan kapasitas tempat tidur, alokasi sumber daya manusia, pengelolaan biaya pelayanan, hingga penyusunan strategi pencegahan kejadian yang tidak diinginkan. 

 

Disarikan oleh: 
Nikita Widya Permata Sari, S. Gz., MPH
(Peneliti Divisi Mutu PKMK FK-KMK UGM)

Selengkapnya:
Guido, R., Ferrisi, S., Lofaro, D., & Conforti, D. (2024). An Overview on the Advancements of Support Vector Machine Models in Healthcare Applications: A Review. Information, 15(4), 235. https://doi.org/10.3390/info15040235 

 

Peluang dan Tantangan Penggunaan AI dalam Mutu Layanan Kesehatan

Peluang dan Tantangan Penggunaan AI dalam Mutu Layanan Kesehatan

Saat ini, AI (Artificial Intelligence) tidak hanya sekadar menjadi inovasi teknologi tetapi juga telah menjadi bagian dari transformasi mutu layanan kesehatan di berbagai negara. Beberapa contoh penerapan AI misalnya membantu dokter membaca hasil radiologi, memprediksi risiko penyakit, atau mendukung tindakan bedah dengan robot. AI menawarkan peluang besar untuk meningkatkan mutu pelayanan. Namun, implementasi AI juga memiliki tantangan yang perlu dikelola dengan baik agar manfaatnya benar-benar dirasakan oleh pasien maupun tenaga kesehatan. Review artikel oleh Olawade et al. (2024) mengulas lebih dari 80 penelitian mengenai penerapan AI di bidang pelayanan kesehatan. Hasilnya menunjukkan bahwa AI bermanfaat meningkatkan akurasi diagnosis, mendukung langkah pengobatan personal, memperkuat prediksi analisis, mengotomatisasi pekerjaan administratif, serta membantu prosedur bedah dan rehabilitasi. Berdasarkan manfaat tersebut, AI memiliki potensi besar untuk meningkatkan efektivitas sistem pelayanan kesehatan. Namun, tingkat keberhasilannya sangat bergantung pada kualitas data, regulasi, etika, dan kolaborasi antara manusia dengan teknologi.

Review ini mengulas bahwa salah satu bidang yang paling berkembang adalah analisis pencitraan medis. AI berbasis deep learning mampu menganalisis hasil CT Scan, MRI, mammografi, foto toraks, dan citra retina dengan tingkat akurasi yang sangat tinggi. Kemampuan AI dalam mendeteksi kanker kulit bahkan telah dilaporkan setara dengan dokter spesialis dermatologi pada beberapa kasus. Teknologi ini juga membantu mendeteksi kanker paru, kanker payudara, retinopati diabetik, glaukoma, dan penyakit jantung secara lebih cepat dibandingkan proses manual. Selain meningkatkan akurasi, AI mampu menandai area yang janggal dan secara otomatis sehingga mempercepat proses interpretasi gambar dan mengurangi beban kerja radiolog.

AI juga membuka era pelayanan kesehatan personalized medicine. Melalui analisis kombinasi data genetik, riwayat penyakit, gaya hidup, lingkungan, dan hasil pemeriksaan laboratorium, AI membantu tenaga kesehatan menyusun langkah pengobatan atau rehabilitasi yang lebih sesuai untuk setiap individu. Pendekatan ini memungkinkan pengobatan menjadi lebih efektif sekaligus mengurangi risiko kesalahan pemberian terapi. Selain itu, kemampuan AI dalam predictive analytics menjadi salah satu inovasi yang sangat penting bagi rumah sakit. Melalui pemanfaatan data rekam medis elektronik, AI mampu mengidentifikasi pasien yang memiliki risiko tinggi mengalami diabetes, penyakit jantung, kanker, maupun komplikasi lainnya sebelum kondisi tersebut berkembang menjadi lebih berat. AI juga dapat memprediksi kemungkinan pasien mengalami rawat ulang (readmission) sehingga rumah sakit dapat melakukan intervensi lebih dini, memperkuat edukasi pasien, serta mengoptimalkan penggunaan sumber daya. Selain mendukung pengambilan keputusan klinis, AI dapat meningkatkan efisiensi proses administrasi. Teknologi Natural Language Processing (NLP) mampu mengubah percakapan dokter menjadi rekam medis secara otomatis dan merangkum catatan klinis dari data yang sebelumnya tidak terstruktur. 

Pemanfaatan AI lainnya yang mulai banyak digunakan adalah chatbot dan virtual assistant berbasis AI. Teknologi ini mampu menjawab pertanyaan pasien selama 24 jam, membantu melakukan penilaian awal terhadap gejala, memberikan edukasi kesehatan, mengingatkan jadwal konsumsi obat, hingga mengatur jadwal konsultasi. Namun, AI tetap belum mampu menggantikan komunikasi empati yang hanya dapat diberikan oleh tenaga kesehatan terutama pada kondisi klinis kompleks atau situasi yang membutuhkan dukungan emosional. Pemanfaatan AI juga berkembang melalui robotika kesehatan. Robot berbasis AI kini mulai digunakan dalam operasi minimal invasif yang membutuhkan tingkat presisi tinggi. Selain membantu tindakan bedah, robot juga dimanfaatkan pada rehabilitasi pasien, distribusi obat, logistik rumah sakit, proses disinfeksi ruangan, hingga membantu lansia dalam aktivitas sehari-hari. Walaupun investasi awal teknologi ini relatif besar, berbagai penelitian menunjukkan adanya manfaat jangka panjang berupa waktu operasi yang lebih efisien, komplikasi yang lebih sedikit, lama rawat inap yang lebih pendek, serta peningkatan kualitas hidup pasien pascaoperasi.

Meskipun menawarkan banyak manfaat, penerapan AI di sektor kesehatan masih menghadapi berbagai tantangan, khususnya dalam menjaga kualitas data. AI hanya dapat menghasilkan keputusan yang baik apabila dilatih menggunakan data yang lengkap, akurat, dan mewakili berbagai kelompok populasi. Data yang tidak seimbang berpotensi menghasilkan algoritma yang bias. Aspek etika, privasi, keamanan data, dan regulasi juga menjadi perhatian utama. Penggunaan AI membutuhkan akses terhadap data pasien dalam jumlah besar sehingga rumah sakit harus memastikan perlindungan data pribadi tetap terjaga. Selain itu, masih banyak negara yang belum memiliki regulasi komprehensif mengenai tanggung jawab hukum apabila terjadi kesalahan akibat keputusan yang melibatkan AI. Tanpa tata kelola yang jelas implementasi AI justru dapat meningkatkan risiko hukum maupun risiko keselamatan pasien.

Berdasarkan kajian ini dapat disimpulkan bahwa AI harus digunakan dengan secara dalam mendukung mutu layanan kesehatan. Dokter, perawat, apoteker, atau tenaga kesehatan lainnya tetap memegang peran utama dalam melakukan interpretasi klinis dan mengambil keputusan akhir. Implementasi AI dalam layanan kesehatan juga memerlukan strategi yang matang dalam penyusunan infrastruktur digital, peningkatan kualitas data rekam medis, penguatan keamanan, penyusunan tata kelola AI, hingga peningkatan kompetensi digital seluruh tenaga kesehatan. Rumah sakit yang mampu menggabungkan AI dengan keahlian klinis tenaga kesehatan, budaya keselamatan pasien, serta tata kelola yang baik akan memiliki peluang lebih besar untuk mewujudkan pelayanan yang lebih efisien dan tetap berpusat pada kebutuhan pasien. 

 

Disarikan oleh: 
Nikita Widya Permata Sari, S. Gz., MPH
(Peneliti Divisi Mutu PKMK FK-KMK UGM)

Selengkapnya:

  • Olawade, D. B., David-Olawade, A. C., Wada, O. Z., Asaolu, A. J., Adereni, T., & Ling, J. (2024). Artificial intelligence in healthcare delivery: Prospects and pitfalls. Journal of Medicine, Surgery, and Public Health, 3, 100108. https://doi.org/10.1016/j.glmedi.2024.100108

 

Optimalisasi Transformasi Digital Layanan Rumah Sakit Melalui Kompetensi Tenaga Kesehatan

Optimalisasi Transformasi Digital Layanan Rumah Sakit  Melalui Kompetensi Tenaga Kesehatan

Transformasi digital telah memberikan dampak signifikan dalam berbagai inovasi seperti rekam medis elektronik, telemedicine, kecerdasan buatan (artificial intelligence), pemantauan pasien jarak jauh, hingga aplikasi kesehatan digital. Namun, keberhasilan transformasi digital ternyata tidak hanya didukung oleh kecanggihan teknologi tetapi juga oleh kemampuan tenaga kesehatan dalam memanfaatkannya secara optimal. Berdasarkan artikel Longhini et al. (2022), kompetensi digital tenaga kesehatan menjadi salah satu faktor paling penting dalam mewujudkan pelayanan kesehatan yang aman, efektif, dan berpusat pada pasien. Hasil penelitian menunjukkan bahwa penelitian mengenai kompetensi digital tenaga kesehatan meningkat pesat dalam lima tahun terakhir seiring semakin luasnya penerapan teknologi digital di fasilitas pelayanan kesehatan. Meskipun terdapat peningkatan, sebagian besar penelitian masih bersifat deskriptif dan hanya sedikit yang benar-benar mengevaluasi efektivitas program pelatihan untuk meningkatkan kompetensi digital tenaga kesehatan.

Kompetensi digital tenaga kesehatan dalam penelitian Longhini et al. (2022) dikelompokkan ke dalam empat komponen utama. Komponen pertama adalah kompetensi yang dinilai sendiri (self-rated competencies), yaitu kemampuan tenaga kesehatan dalam menggunakan perangkat digital, komputer, internet, aplikasi kesehatan hingga kemampuan mencari, mengevaluasi, dan memanfaatkan informasi kesehatan secara elektronik atau yang dikenal sebagai e Health literacy. Selain keterampilan teknis, kompetensi ini juga mencakup kemampuan mendampingi pasien menggunakan teknologi kesehatan, memberikan edukasi mengenai sumber informasi kesehatan yang terpercaya, merekomendasikan aplikasi kesehatan yang sesuai, serta mengintegrasikan informasi digital ke dalam proses pengambilan keputusan klinis. Komponen kedua berkaitan dengan aspek psikologis dan emosional terhadap penggunaan teknologi digital. Komponen ketiga adalah kemampuan menggunakan teknologi digital dalam praktik sehari-hari. Kompetensi ini mencakup penggunaan komputer, internet, surat elektronik, rekam medis elektronik, telemedicine, dokumentasi keperawatan digital, komunikasi dengan pasien hingga pemanfaatan teknologi untuk pendidikan, penelitian, dan pembaharuan ilmu pengetahuan. Komponen terakhir adalah pengetahuan mengenai teknologi digital.

Hasil kajian menemukan bahwa aspek psikologis berupa sikap, kepercayaan, rasa percaya diri, serta penerimaan terhadap teknologi memiliki pengaruh besar terhadap keberhasilan implementasi digitalisasi di fasilitas kesehatan. Tenaga kesehatan yang meyakini bahwa teknologi dapat meningkatkan mutu pelayanan, mempercepat pekerjaan, dan mempermudah komunikasi cenderung lebih siap mengadopsi inovasi digital dibandingkan mereka yang masih merasa cemas atau kurang percaya diri dalam menggunakannya. Artinya, transformasi digital bukan sekadar persoalan menyediakan perangkat, tetapi juga membangun budaya kerja yang mendukung perubahan. Selain itu, penelitian juga menunjukkan bahwa penggunaan teknologi secara rutin dapat meningkatkan efisiensi pelayanan sekaligus memperkuat koordinasi antarprofesi dalam memberikan pelayanan kepada pasien.

Meskipun jumlah penelitian pada aspek komponen pengetahuan teknologi digital masih terbatas, kemampuan memahami keamanan data, perlindungan privasi pasien, etika penggunaan teknologi, keamanan siber, hingga pemilihan aplikasi kesehatan yang tepat menjadi kompetensi yang semakin penting di era digital. Ancaman kebocoran data dan serangan siber terhadap fasilitas kesehatan membuat tenaga kesehatan perlu memahami bahwa penggunaan teknologi tidak hanya berkaitan dengan kemudahan, tetapi juga tanggung jawab dalam menjaga kerahasiaan informasi pasien.

Menariknya, penelitian ini juga menemukan bahwa sebagian besar instrumen yang digunakan untuk mengukur kompetensi digital masih berupa penilaian mandiri (self-assessment). Hanya sekitar sepertiga penelitian yang menggunakan instrumen yang telah tervalidasi, sedangkan sisanya mengembangkan kuesioner masing-masing. Bahkan, instrumen yang paling sering digunakan, yaitu eHealth Literacy Scale (eHEALS), sebenarnya dirancang untuk masyarakat umum, bukan khusus bagi tenaga kesehatan. Kondisi ini menunjukkan bahwa hingga saat ini masih diperlukan alat ukur yang lebih objektif, valid, dan sesuai dengan kebutuhan berbagai profesi kesehatan agar kompetensi digital dapat diukur secara lebih akurat.

Temuan penelitian ini tentunya memberikan pelajaran penting bagi rumah sakit dan organisasi pelayanan kesehatan. Investasi pada teknologi digital sebaiknya perlu berjalan beriringan dengan investasi pada pengembangan sumber daya manusia. Program pelatihan tidak cukup hanya mengajarkan cara mengoperasikan aplikasi atau perangkat lunak tetapi juga perlu memperkuat kemampuan berpikir kritis dalam mengelola informasi digital, membangun kepercayaan diri menggunakan teknologi, memahami keamanan data pasien, serta meningkatkan kemampuan memberikan edukasi digital kepada pasien dan keluarganya. Pendekatan ini akan mempercepat adaptasi tenaga kesehatan terhadap berbagai inovasi yang terus berkembang.

Kesimpulannya, transformasi digital tidak akan berhasil hanya dengan menghadirkan teknologi tercanggih tetapi juga melibatkan kesiapan tenaga kesehatan sebagai pengguna utama teknologi tersebut. Ketika kompetensi digital berkembang secara seimbang rumah sakit tentunya akan lebih siap menghadirkan pelayanan yang berkualitas, aman, efisien, dan benar-benar berpusat pada kebutuhan pasien di era kesehatan digital.

 

Selengkapnya:

  • Longhini J, Rossettini G, Palese A. Digital Health Competencies Among Health Care Professionals: Systematic Review. J Med Internet Res 2022;24(8):e36414 https://www.jmir.org/2022/8/e36414

Disarikan oleh:
Nikita Widya Permata Sari, S.Gz., MPH
(Peneliti Divisi Manajemen Mutu PKMK FK-KMK UGM)

 

 

Akreditasi Bukan Sekadar Sertifikat: Pembelajaran dari Program Peningkatan Mutu Rumah Sakit di India

Akreditasi Bukan Sekadar Sertifikat: Pembelajaran dari Program Peningkatan Mutu Rumah Sakit di India

Sertifikat akreditasi sering dipandang sebagai penanda resmi kesuksesan mutu layanan kesehatan. Namun, proses untuk membangun budaya kualitas, keselamatan pasien, dan tata kelola organisasi yang baik masih sering diabaikan dibandingkan dengan sertifikat yang diperoleh. Dalam menjawab tantangan ini, penelitian Nair, et. al (2023) mengevaluasi pengalaman Program Manyata di India. Program Manyata adalah upaya inisiatif peningkatan mutu yang membantu fasilitas kesehatan swasta di India untuk meningkatkan kualitas layanan maternitas sekaligus mempersiapkan akreditasi dari National Accreditation Board for Hospitals and Healthcare Providers (NABH). Program Manyata dikembangkan karena sektor pelayanan kesehatan swasta sebenarnya memiliki potensi pengembangan yang sangat besar dalam pelayanan kesehatan di India, khususnya layanan persalinan. Namun pada kenyataanya, mutu layanan maternitas di fasilitas swasta masih bervariasi dan belum memenuhi standar yang diharapkan.

Penelitian ini menganalisis 28 fasilitas kesehatan swasta yang menjalani penilaian NABH antara 2017 hingga 2019. Hasil penelitian menemukan bahwa sebagian besar rumah sakit kecil memiliki kekurangan kapasitas tempat tidur dengan jumlah dibawah 50 bed dan volume persalinan yang relatif rendah. Sebagai solusi dari tantangan tersebut, fasilitas kesehatan yang bergabung dalam program Manyata mendapatkan pelatihan, pendampingan teknis, pengembangan prosedur operasional standar, penguatan sistem manajemen rumah sakit, dan dukungan dalam proses persiapan akreditasi. Pada penilaian awal, rata-rata kepatuhan terhadap standar NABH hanya mencapai 9%. Setelah mendapatkan pendampingan melalui Program Manyata, skor ternyata meningkat menjadi 80% pada saat penilaian NABH. Temuan ini menunjukkan bahwa dukungan teknis yang terstruktur mampu mempercepat kesiapan organisasi dalam memenuhi standar mutu dan keselamatan pasien.

Peningkatan terbesar terlihat pada aspek tata kelola organisasi dan dokumentasi klinis. Hampir seluruh fasilitas berhasil memperbaiki sistem pencatatan rekam medis, menjaga kerahasiaan informasi pasien, menetapkan struktur organisasi yang jelas, memastikan pelayanan sesuai pedoman klinis, dan menyediakan sumber daya untuk program peningkatan mutu berkelanjutan. Hal ini menunjukkan bahwa proses akreditasi dapat menjadi katalis untuk memperkuat sistem manajemen rumah sakit yang sebelumnya belum terdokumentasi dengan baik. Namun, penguatan sistem manajemen dari praktik akreditasi tidak bisa langsung berhasil secara instan. Sebanyak 831 kesenjangan kinerja (performance gaps) masih ditemukan selama proses asesmen. Menariknya, sekitar 70% dari seluruh ketidaksesuaian tersebut berkaitan dengan dokumentasi sedangkan 19% lainnya berhubungan dengan pelatihan staf. Permasalahan yang paling sering muncul mencakup ketidaklengkapan rekam medis, dokumentasi instruksi pengobatan, formulir persetujuan tindakan medis dan anestesi, ringkasan pulang pasien, serta berbagai kebijakan dan prosedur yang belum terdokumentasi secara memadai.

Temuan penting lainnya adalah bahwa sebagian besar kesenjangan mutu ternyata tidak memerlukan investasi besar dalam bentuk pembangunan fasilitas atau penambahan tenaga kerja. Sebanyak 62% masalah dapat diselesaikan melalui penyusunan atau revisi dokumen sedangkan sekitar 35% dapat diperbaiki melalui orientasi dan pelatihan staf. Hanya sebagian kecil yang membutuhkan pengadaan peralatan atau penambahan sumber daya manusia. Hasil tersebut memperlihatkan bahwa banyak organisasi kesehatan sebenarnya telah memiliki sumber daya dasar yang memadai tetapi belum memiliki sistem yang terdokumentasi dan dijalankan secara konsisten.

Penelitian ini memberikan pelajaran bahwa mutu layanan tidak hanya ditentukan oleh kompetensi klinis tetapi juga kemampuan mendokumentasikan setiap proses pelayanan secara lengkap dan konsisten. Rekam medis yang baik, dokumentasi persetujuan tindakan, pencatatan pengobatan, serta kepatuhan terhadap prosedur operasional standar merupakan bagian integral dari keselamatan pasien. Selain itu, perlu dipertimbangkan juga bahwa keberhasilan akreditasi sangat bergantung pada kepemimpinan organisasi dalam membangun budaya mutu. Penyusunan kebijakan yang jelas, pelatihan rutin bagi staf, pemantauan kepatuhan terhadap standar, dan pengembangan sistem perbaikan berkelanjutan menjadi investasi yang lebih penting daripada sekadar memenuhi persyaratan administratif. Akreditasi seharusnya berfungsi untuk memperkuat tata kelola dan meningkatkan pengalaman pasien bukan hanya sebagai target sertifikasi. Pelajaran ini sangat relevan bagi rumah sakit dan fasilitas kesehatan di berbagai negara, termasuk Indonesia yang juga menuntut proses akreditasi yang semakin menuntut standar pelayanan yang tinggi. 

Selengkapnya:

  • Nair, T.S., Memon, P., Tripathi, S. et al. Implementing a quality improvement initiative for private healthcare facilities to achieve accreditation: experience from India. BMC Health Serv Res 23, 802 (2023). https://doi.org/10.1186/s12913-023-09619-w 

Disarikan oleh:
Nikita Widya Permata Sari, S.Gz., MPH
(Peneliti Divisi Manajemen Mutu PKMK FK-KMK UGM)

 

 

Pemeliharaan Pelayanan Keperawatan Rawat Jalan: Langkah Mewujudkan Efektivitas Mutu Pelayanan Kesehatan

Pemeliharaan Pelayanan Keperawatan Rawat Jalan: Langkah Mewujudkan Efektivitas Mutu Pelayanan Kesehatan

Pelayanan keperawatan rawat jalan merupakan salah satu komponen yang penting dari layanan rumah sakit. Pasien selalu berinteraksi dengan sistem kesehatan melalui klinik rawat jalan sehingga pengalaman yang diperoleh akan memengaruhi persepsi terhadap mutu pelayanan kesehatan secara keseluruhan. Pemeliharaan mutu pelayanan keperawatan rawat jalan bukan hal yang mudah. Pasien rawat jalan memiliki karakteristik yang berbeda dengan pasien rawat inap. Contohnya seperti mobilitas yang tinggi, waktu pelayanan yang relatif singkat, jumlah kunjungan yang besar, dan tingkat keparahan penyakit yang beragam. Kondisi ini menuntut adanya sistem evaluasi pengukuran mutu yang komprehensif dan terstruktur. Dalam menjawab tantangan ini, Yang et. al (2025) mengulas bagaimana Model Donabedian dapat diterapkan dalam pengukuran mutu pelayanan keperawatan rawat jalan. 

Model Donabedian yang diperkenalkan oleh Avedis Donabedian membagi mutu pelayanan ke dalam tiga komponen utama, yaitu struktur (structure), proses (process), dan luaran (outcome). “Struktur” menggambarkan sumber daya dan sistem yang mendukung pelayanan, “proses” menilai bagaimana pelayanan diberikan, serta “luaran” mengukur hasil akhir yang diperoleh pasien maupun organisasi pelayanan kesehatan. Model ini telah banyak diterapkan di berbagai unit klinis seperti ruang operasi, unit perawatan intensif, dan unit onkologi tetapi penerapannya pada layanan rawat jalan masih relatif terbatas.

Dalam tinjauan tersebut, peneliti menganalisis 18 studi yang dipublikasikan pada tahun 2019 — 2024 dari berbagai negara seperti Tiongkok, Jerman, dan Kanada. Studi-studi tersebut mencakup berbagai jenis layanan rawat jalan mulai dari klinik gigi, anak, penyakit ginjal, diabetes, reproduksi, dan pusat pemeriksaan kesehatan. Pada dimensi struktur, mutu pelayanan keperawatan rawat jalan ditentukan oleh keberadaan sistem manajemen yang jelas, lingkungan pelayanan yang mendukung, kecukupan sumber daya manusia, dan ketersediaan sarana-prasarana. Indikator yang banyak digunakan antara lain adanya standar operasional dan alur pelayanan yang terdokumentasi, sistem evaluasi mutu, rencana tanggap darurat, rasio dokter dan perawat yang memadai, tingkat pendidikan tenaga keperawatan, serta ketersediaan peralatan yang lengkap dan berfungsi baik. Lingkungan fisik seperti keberadaan ruang konsultasi yang memadai, penunjuk arah yang jelas, dan kepatuhan terhadap standar pengendalian infeksi juga menjadi aspek yang penting.

Dimensi proses menjadi aspek paling banyak dibahas dalam penelitian. Indikator yang digunakan meliputi kompetensi perawat dalam praktik klinis, pelaksanaan pelatihan dan sertifikasi keterampilan, kecepatan pelayanan, keselamatan pasien, edukasi kesehatan, identifikasi pasien, dokumentasi keperawatan, pengendalian infeksi, dan pengelolaan alat kesehatan. Pengendalian infeksi dan keselamatan pasien muncul sebagai indikator yang paling konsisten di berbagai jenis klinik. Selain itu, aspek kemampuan komunikasi perawat, perlindungan privasi pasien, pemenuhan kebutuhan pasien dan keluarga, serta dukungan emosional juga menjadi komponen penting dalam menilai mutu pelayanan rawat jalan modern.

Menariknya, penelitian ini menemukan bahwa indikator proses perlu disesuaikan dengan karakteristik masing-masing klinik. Pada klinik anak misalnya, mutu pelayanan diukur melalui kemampuan petugas dalam berkomunikasi dengan keluarga, melakukan penilaian psikologis anak, dan menerapkan prosedur pengambilan darah yang aman. Sementara pada klinik pengobatan tradisional Tiongkok, indikator mutu lebih menekankan pada penerapan teknik keperawatan spesifik dan promosi kesehatan berbasis pengobatan tradisional. Temuan ini menunjukkan bahwa meskipun kerangka Donabedian bersifat universal indikator yang digunakan tetap perlu dikembangkan sesuai konteks layanan yang diberikan.

Kepuasan pasien menjadi indikator yang paling sering digunakan pada dimensi luaran. Selain kepuasan pasien, kepuasan dokter terhadap layanan keperawatan, jumlah keluhan yang diterima, dan efektivitas penanganan keluhan juga menjadi ukuran penting. Penelitian ini juga menyoroti pentingnya pemantauan kejadian tidak diharapkan seperti pasien jatuh, kesalahan pemberian obat, luka tekan, aspirasi, maupun paparan kerja pada tenaga kesehatan. Di beberapa layanan, indikator luaran bahkan mencakup produktivitas organisasi seperti jumlah pasien yang dilayani, pengembangan inovasi keperawatan, publikasi ilmiah, serta pengajuan paten.

Hasil tinjauan ini memberikan pesan penting bahwa peningkatan mutu pelayanan keperawatan rawat jalan tidak dapat hanya berfokus pada hasil akhir. Kepuasan pasien yang tinggi tidak akan berkelanjutan apabila tidak didukung oleh sistem yang kuat dan proses pelayanan yang berkualitas. Sebaliknya, pengelolaan sumber daya manusia, standar pelayanan dan pengendalian infeksi yang jelas, serta budaya keselamatan pasien yang baik akan meningkatkan mutu layanan dan menghasilkan penurunan risiko kejadian yang merugikan.

Bagi praktisi kesehatan, temuan ini menegaskan pentingnya menjaga kompetensi klinis sekaligus mengembangkan kemampuan komunikasi, edukasi, dan empati kepada pasien. Pendekatan yang berpusat pada pasien menjadi elemen kunci dalam meningkatkan mutu layanan keperawatan rawat jalan. Sementara itu, bagi manajemen rumah sakit, Model Donabedian dapat menjadi kerangka strategis untuk membangun sistem pemantauan mutu yang lebih terukur. Rumah sakit perlu mengembangkan indikator mutu yang sesuai dengan karakteristik masing-masing klinik, melakukan evaluasi rutin terhadap kepuasan pasien dan kejadian tidak diharapkan, serta memastikan ketersediaan sumber daya yang memadai. Peneliti juga menekankan bahwa keselamatan pasien, kepuasan pasien, dan perbaikan mutu berkelanjutan harus menjadi prioritas utama dalam pengelolaan layanan keperawatan rawat jalan di masa depan. Melalui pendekatan yang sistematis, diharapkan dapat tercipta pelayanan rawat jalan yang lebih aman, efektif, efisien, dan berpusat pada kebutuhan pasien.

Disarikan oleh:
Nikita Widya Permata Sari, S.Gz., MPH
(Peneliti Divisi Manajemen Mutu PKMK FK-KMK UGM)

Selengkapnya:

  • Yang, Jinrong, Liu, Fan, Yang, Chunxia, Wei, Jingyi, Ma, Yonghong, Xu, Lisheng, Xie, Jingying, Wang, Jingjun, Application of Donabedian Three-Dimensional Model in Outpatient Care Quality: A Scoping Review, Journal of Nursing Management, 2025, 6893336, 15 pages, 2025. https://doi.org/10.1155/jonm/6893336

 

Quality Management System (QMS) sebagai Solusi AI Translation Gap dalam Pelayanan Kesehatan

Quality Management System (QMS) sebagai Solusi AI Translation Gap dalam Pelayanan Kesehatan

Kecerdasan buatan (Artificial Intelligence/AI) semakin banyak digunakan dalam pelayanan kesehatan dalam membantu diagnosis, memprediksi risiko pasien, hingga mendukung pengambilan keputusan klinis. Namun, inovasi AI yang benar-benar berhasil diterapkan dalam praktik klinis diketahui hanya sedikit. Fenomena ini dikenal sebagai AI translation gap, yaitu kesenjangan antara hasil penelitian AI dan implementasinya. Overgaard, et. al (2023) menyoroti bahwa salah satu penyebab utama kesenjangan tersebut adalah ketidaksiapan organisasi pelayanan kesehatan dalam mengelola pengembangan, implementasi, dan pemantauan teknologi AI secara sistematis. Para penulis mengusulkan penerapan Quality Management System (QMS) atau Sistem Manajemen Mutu sebagai kerangka kerja yang dapat membantu rumah sakit dan organisasi kesehatan memastikan bahwa teknologi AI yang digunakan benar-benar aman, efektif, etis, dan sesuai regulasi. 

QMS merupakan sistem yang mendokumentasikan proses, prosedur, tanggung jawab, serta standar mutu yang harus dipenuhi sepanjang siklus hidup suatu produk. Dalam konteks AI kesehatan, QMS tidak hanya mengatur tahap pengembangan teknologi tetapi juga mencakup implementasi, pemeliharaan, evaluasi, hingga pemantauan setelah sistem digunakan dalam pelayanan pasien. Terdapat tiga komponen utama QMS yang penting untuk mendukung implementasi AI di layanan kesehatan, yaitu budaya dan sumber daya manusia (People & Culture), proses dan data (Process & Data), serta teknologi yang tervalidasi (Validated Technology). Ketiga komponen tersebut harus berjalan secara terpadu agar rumah sakit mampu mengintegrasikan inovasi AI dengan standar pelayanan klinis yang tinggi. 

Dalam penerapannya, salah satu tantangan terbesar QMS adalah masih terpisahnya penggunaan AI dan proyek perbaikan mutu rumah sakit. Ketika teknologi AI dianggap siap digunakan untuk pelayanan pasien, tim pengembang sering mengulang beberapa tahapan karena belum memenuhi persyaratan mutu, dokumentasi, atau regulasi. Kondisi ini menyebabkan pemborosan waktu, biaya, dan sumber daya. Oleh karena itu, peneliti juga menyarankan pentingnya pembentukan budaya mutu berbasis AI yang baik sejak dini. Pembentukan budaya mutu dapat dimulai dari pengendalian desain AI, pengelolaan versi perangkat lunak, validasi sistem, audit, dan pengecekan dokumentasi yang dapat ditelusuri. 

Selain aspek mutu, penerapan prinsip etika juga menjadi perhatian utama. AI di bidang kesehatan harus memenuhi prinsip efektivitas, keselamatan, keadilan, kesetaraan, akuntabilitas, transparansi, privasi, dan keamanan data. Organisasi kesehatan tetap perlu menerapkan prinsip-prinsip tersebut sebagai bagian dari tanggung jawab profesional dan perlindungan pasien ketika suatu aplikasi AI belum termasuk kategori yang diatur secara ketat oleh regulator. 

Overgaard, et. al (2023) juga menyoroti pentingnya pendekatan berbasis risiko (risk-based approach). Dalam pendekatan ini, rumah sakit harus mengidentifikasi potensi risiko yang timbul dari penggunaan AI kemudian menganalisis dampaknya terhadap pasien maupun alur kerja klinis serta merancang strategi mitigasi. Risiko yang perlu diperhatikan tidak hanya terkait keselamatan pasien tetapi juga bias algoritma, ketidakadilan pelayanan, pelanggaran privasi data, hingga kegagalan sistem yang dapat mengganggu pelayanan kesehatan. Secara lebih lanjut, sistem AI tentunya juga harus terus dipantau melalui mekanisme monitoring, pelaporan insiden, analisis akar masalah, dan tindakan korektif dan pencegahan (Corrective and Preventive Action/CAPA). Melalui cara ini, organisasi dapat mendeteksi perubahan performa algoritma, mengidentifikasi masalah sejak dini, dan melakukan perbaikan sebelum berdampak pada pasien. 

Pada dasarnya, keberhasilan AI tidak hanya bergantung pada kecanggihan algoritma tetapi juga kesiapan organisasi dalam mengelolanya. Dokter, perawat, dan tenaga kesehatan perlu memahami cara kerja dan keterbatasan sistem AI yang digunakan serta berpartisipasi dalam proses evaluasi dan pemantauan. Keterlibatan pengguna akhir menjadi faktor penting untuk memastikan bahwa teknologi benar-benar mendukung kebutuhan klinis dan meningkatkan mutu pelayanan. Melalui pendekatan tersebut, rumah sakit tidak hanya dapat mempercepat adopsi inovasi digital tetapi juga menjaga keselamatan pasien dan meningkatkan kepercayaan masyarakat terhadap teknologi kesehatan berbasis AI. 

 

Disarikan oleh:
Nikita Widya Permata Sari, S.Gz., MPH
(Peneliti Divisi Manajemen Mutu PKMK FK-KMK UGM)

Selengkapnya:

  • Overgaard, S.M., Graham, M.G., Brereton, T. et al. Implementing quality management systems to close the AI translation gap and facilitate safe, ethical, and effective health AI solutions. npj Digit. Med. 6, 218 (2023). https://doi.org/10.1038/s41746-023-00968-8

 

Mutu Layanan Kesehatan Primer: Kunci Kepercayaan Masyarakat terhadap Sistem Kesehatan

healthcare

Mutu pada tingkat pelayanan kesehatan primer merupakan pondasi penting untuk mempertahankan kepercayaan masyarakat terhadap sistem kesehatan. Ketika masyarakat memperoleh pelayanan yang aman, efektif, dan berpusat pada pasien, kepercayaan terhadap sistem kesehatan akan meningkat. Sebaliknya, pelayanan yang bermutu rendah dapat menyebabkan keterlambatan diagnosis, komplikasi penyakit, peningkatan angka kematian, bahkan pemborosan biaya kesehatan. Dalam praktiknya, konsistensi peningkatan mutu pelayanan kesehatan memiliki berbagai faktor dan tantangan. Scoping review Endalamaw, et al (2023) memetakan berbagai indikator, keberhasilan, dan tantangan dalam meningkatkan mutu pelayanan kesehatan primer di berbagai negara.

Melalui analisis kerangka mutu pelayanan kesehatan Avedis Donabedian, mutu pelayanan dinilai dengan tiga komponen utama, yaitu struktur, proses, dan outcome. Struktur mencakup sumber daya yang mendukung pelayanan seperti tenaga kesehatan, infrastruktur, fasilitas, kebijakan, pendanaan, dan ketersediaan alat kesehatan. Proses menggambarkan interaksi antara tenaga kesehatan dan pasien seperti kegiatan pemeriksaan, diagnosis, edukasi, komunikasi, dan terapi. Sementara itu, outcome mengukur hasil yang diperoleh dari pasien dan masyarakat, yakni angka kesembuhan dan kematian, perubahan perilaku kesehatan, penyelesaian pengobatan, serta kepuasan pasien.

Hasil kajian membahas bahwa indikator struktur yang paling sering digunakan adalah ketersediaan tenaga kesehatan, regulasi dan kebijakan, fasilitas fisik, serta sumber daya pelayanan. Pada dimensi proses, indikator yang banyak digunakan meliputi kualitas diagnosis melalui pemeriksaan klinis maupun laboratorium, pemberian informasi kesehatan, edukasi pasien, dan tata laksana pengobatan. Sementara itu, indikator outcome umumnya diukur melalui angka kesembuhan, mortalitas, keberhasilan penyelesaian terapi, perubahan perilaku kesehatan, dan tingkat kepuasan pasien. Menariknya, sebagian besar indikator mutu pelayanan primer berfokus pada aspek proses pelayanan. Hal ini menunjukkan bahwa interaksi antara tenaga kesehatan dan pasien menjadi salah satu elemen paling penting dalam penilaian mutu layanan.

Salah satu temuan penting dari kajian ini adalah adanya hubungan erat antara struktur, proses, dan outcome pelayanan. Pasien tidak hanya menilai kualitas berdasarkan tindakan medis yang diterima tetapi juga dari pengalaman sejak memasuki fasilitas kesehatan. Kebersihan lingkungan, kenyamanan fasilitas, dan kemudahan akses dapat meningkatkan kepuasan pasien bahkan sebelum tindakan klinis terjadi. Hal ini menunjukkan bahwa investasi pada infrastruktur dan sistem pelayanan dapat memberikan dampak langsung terhadap persepsi mutu layanan.

Kajian ini juga mengungkap sejumlah keberhasilan yang telah dicapai berbagai negara. Pelayanan primer yang berkualitas di Amerika Serikat dikaitkan dengan penurunan angka rawat inap dan penurunan mortalitas akibat penyakit kronis tertentu. Sementara itu, pelayanan farmasi berbasis komunitas di Jepang terbukti memberikan dampak positif terhadap outcome klinis, perubahan perilaku kesehatan, dan efisiensi pelayanan. Kesamaan persepsi antara pasien dan pengelola layanan mengenai kompetensi tenaga kesehatan dan kualitas pelayanan di beberapa negara lainnya menjadi indikator positif yang menunjukkan terciptanya hubungan yang baik antara penyedia dan penerima layanan. Namun, tantangan yang ditemukan juga masih sangat beragam khususnya di negara berkembang. Masalah utama yang sering muncul adalah kekurangan tenaga kesehatan, keterbatasan fasilitas dan peralatan, ketidakmerataan kualitas layanan antarwilayah, rendahnya keterlibatan masyarakat, serta kurangnya kepatuhan terhadap pedoman pelayanan. Sebagai contoh, layanan kesehatan remaja di Ethiopia menunjukkan tingkat mutu yang belum optimal pada aspek struktur, proses, dan outcome. 

Secara keseluruhan, hasil penelitian ini menegaskan kualitas komunikasi, edukasi, dan keterlibatan pasien dalam setiap proses pelayanan penting untuk dipertahankan. Kompetensi klinis harus diimbangi dengan adanya keahlian komunikasi terhadap pasien. Selain itu, fokus peningkatan mutu seharusnya tidak hanya terbatas hanya pada indikator hasil seperti angka kesembuhan atau kepuasan pasien tetapi juga secara menyeluruh. Indikator yang dapat ditinjau contohnya seperti kecukupan sumber daya manusia, penyediaan fasilitas dan peralatan yang memadai, penguatan sistem pembiayaan, penerapan kebijakan berbasis mutu, hingga pelibatan masyarakat dalam evaluasi layanan. Melalui upaya-upaya tersebut, peningkatan mutu pelayanan kesehatan primer diharapkan dapat menghasilkan dampak nyata bagi kesehatan masyarakat.

Disarikan oleh:
Nikita Widya Permata Sari, S.Gz., MPH
(Peneliti Divisi Manajemen Mutu PKMK FK-KMK UGM)

Selengkapnya:

  • Endalamaw, A., Khatri, R.B., Erku, D. et al. Successes and challenges towards improving quality of primary health care services: a scoping review. BMC Health Serv Res 23, 893 (2023). https://doi.org/10.1186/s12913-023-09917-3 

 

Mengenal Dampak “Quiet Quitting” terhadap Mutu Pelayanan Rumah Sakit

Mengenal Dampak “Quiet Quitting” terhadap Mutu Pelayanan Rumah Sakit

Setelah beberapa tahun berlalu, pandemi COVID-19 diketahui berpengaruh terhadap bagaimana cara orang memandang pekerjaan. Quiet quitting dikenal sebagai fenomena baru yang muncul dalam dunia pekerjaan setelah pandemi. Fenomena ini didefinisikan sebagai kondisi ketika karyawan hanya melakukan tugas hanya sesuai deskripsi pekerjaan saja tanpa memberikan usaha tambahan di luar kewajiban formalnya. Berbeda dengan pengunduran diri, quiet quitting bukan berarti meninggalkan pekerjaan, melainkan menurunkan tingkat keterlibatan dan komitmen terhadap pekerjaan. Fenomena quiet quitting berkembang di banyak negara setelah gelombang The Great Resignation pasca pandemi, yakni ketika jutaan pekerja lebih memilih meninggalkan pekerjaannya demi mencari keseimbangan hidup yang lebih baik. 

Dalam sektor kesehatan, fenomena quiet quitting menjadi perhatian serius karena karakteristik pekerjaan tenaga kesehatan sangat berbeda dengan sektor lain. Selama pandemi, tenaga kesehatan menghadapi peningkatan beban kerja, peningkatan pengunduran diri staf, keterbatasan alat pelindung diri, tingginya risiko infeksi, serta tekanan psikologis yang berkepanjangan. Berbeda dengan banyak profesi lain yang dapat beralih ke sistem kerja jarak jauh (work from anywhere), tenaga kesehatan tetap harus hadir secara langsung di fasilitas pelayanan kesehatan. Kondisi ini membuat tenaga kesehatan harus menghadapi tantangan yang jauh lebih berat dibandingkan pekerja di sektor lain. 

Artikel yang ditulis oleh Yasemin Boy dan Mahmud Sürmeli (2023) menjelaskan bahwa quiet quitting di kalangan tenaga kesehatan dipicu oleh berbagai faktor yang saling berkaitan. Faktor-faktor tersebut meliputi kondisi kerja yang tidak mendukung, ketidakadilan pembagian beban kerja dan kompensasi, budaya organisasi yang toxic, penurunan kondisi kesehatan mental (kecemasan, depresi, dan burnout), serta terganggunya keseimbangan antara kehidupan pribadi dan pekerjaan. Banyak tenaga kesehatan mulai mempertanyakan kualitas hidup mereka dan berusaha menetapkan batas yang lebih jelas antara pekerjaan dan kehidupan pribadi. 

Penulis juga menyoroti bahwa masalah ini tidak hanya berkaitan dengan individu tetapi juga dengan budaya organisasi. Ketidakjelasan kebijakan, kurangnya komunikasi yang efektif, distribusi sumber daya yang dianggap tidak adil, kurangnya apresiasi dari pimpinan maupun pasien, pembatasan cuti, dan perasaan diperlakukan tidak adil selama pandemi berkontribusi terhadap perubahan sikap kerja tenaga kesehatan. Tingginya angka kekerasan terhadap tenaga kesehatan yang terjadi di beberapa negara bahkan semakin memperburuk kondisi psikologis tenaga kesehatan dan mengurangi keterikatan terhadap organisasi. 

Meskipun quiet quitting tidak secara langsung mengurangi jumlah tenaga kesehatan yang bekerja, dampaknya dapat sangat signifikan terhadap mutu pelayanan. Pelayanan kesehatan tidak hanya bergantung pada keterampilan klinis yang teknis tetapi juga empati, komunikasi yang baik, kepedulian, dedikasi, dan kemampuan membangun hubungan dengan pasien. Ketika tenaga kesehatan hanya bekerja pada batas minimum yang dipersyaratkan, aspek-aspek penting tersebut berpotensi menurun sehingga dapat mempengaruhi pengalaman pasien dan kualitas pelayanan secara keseluruhan. 

Fenomena ini menjadi semakin relevan karena meningkatnya proporsi Generasi Z dalam tenaga kerja kesehatan. Generasi ini dikenal lebih menghargai keseimbangan hidup, kesejahteraan mental, fleksibilitas kerja, otonomi, dan apresiasi dibandingkan generasi sebelumnya. Mereka tidak menolak bekerja keras, tetapi cenderung menolak budaya kerja yang menuntut pengorbanan kehidupan pribadi secara berlebihan. Oleh karena itu, rumah sakit dan organisasi kesehatan perlu memahami perubahan nilai yang terjadi pada generasi tenaga kerja baru agar mampu mempertahankan keterlibatan dan motivasi mereka. 

Secara keseluruhan, kesejahteraan psikologis dan keseimbangan kehidupan kerja perlu dijaga sebagai bagian dari profesionalisme yang berkelanjutan. Quiet quitting dapat menjadi indikator awal adanya masalah sosial dalam lingkungan kerja, khususnya di rumah sakit. Upaya peningkatan mutu tidak cukup hanya berfokus pada indikator klinis dan operasional, tetapi juga harus mencakup penguatan budaya organisasi, kepemimpinan yang suportif, sistem penghargaan yang adil, perlindungan terhadap kekerasan di tempat kerja, pengelolaan beban kerja yang seimbang, serta penyediaan dukungan kesehatan mental bagi staf. Memahami dan mengatasi akar penyebab quiet quitting juga perlu menjadi bagian dari strategi peningkatan mutu pelayanan kesehatan agar rumah sakit mampu mempertahankan tenaga kerja yang berkomitmen secara maksimal memberikan pelayanan terbaik.

Disarikan oleh:

Nikita Widya Permata Sari, S.Gz., MPH
(Peneliti Divisi Manajemen Mutu PKMK FK-KMK UGM)

Sumber:

Boy Y, Sürmeli M. Quiet quitting: A significant risk for global healthcare. J Glob Health. 2023 Mar 31; 13: 03014. doi: 10.7189/jogh.13.03014. https://pmc.ncbi.nlm.nih.gov/articles/PMC10062397/

 

Benchmarking sebagai Strategi Peningkatan Mutu Pelayanan Kesehatan

Benchmarking sebagai Strategi Peningkatan Mutu Pelayanan Kesehatan

Dalam dunia pelayanan kesehatan, benchmarking seringkali hanya dipandang sebagai pelaporan angka. Benchmarking adalah proses berkelanjutan untuk mengukur dan membandingkan kekuatan dan kelemahan dari proses maupun hasil antar sistem pelayanan kesehatan. Dalam konteks rumah sakit dan sistem kesehatan, pendekatan ini digunakan untuk memahami faktor perbedaan hasil evaluasi antara fasilitas dan menerapkan praktik baiknya untuk meningkatkan kualitas pelayanan. Benchmarking tidak berhenti pada pengumpulan data, tetapi juga mendorong proses belajar antar organisasi. Systematic review oleh Wilmington, Belardi, Murante, dan Vainieri (2022) menunjukkan bahwa benchmarking tidak hanya berfungsi sebagai alat untuk mengetahui pelayanan mana yang memiliki kinerja terbaik tetapi juga dapat menjadi pemicu perbaikan mutu pelayanan kesehatan jika digunakan secara tepat.

Melalui telaah terhadap 17 studi di berbagai negara berpendapatan tinggi, peneliti menemukan pola yang konsisten. Seluruh studi menunjukkan hubungan positif antara benchmarking dan peningkatan mutu layanan. Peningkatan mutu layanan tersebut terlihat baik pada indikator proses pelayanan maupun luaran pasien. Dalam 17 studi yang dianalisis, 10 studi menunjukkan perbaikan pada proses pelayanan, 13 menunjukkan peningkatan luaran pasien, dan 7 di antaranya memperlihatkan perbaikan pada keduanya sekaligus. Perbaikan pada proses pelayanan muncul dalam berbagai bentuk yang sangat dekat dengan praktik sehari-hari rumah sakit. Contohnya seperti peningkatan kepatuhan penggunaan obat sesuai standar, perbaikan dokumentasi klinis, peningkatan penggunaan pemeriksaan diagnostik yang direkomendasikan, serta lebih seringnya pelaksanaan pertemuan multidisiplin dalam pengambilan keputusan klinis.

Selain itu, penelitian ini juga menemukan bahwa dampak benchmarking tidak berhenti hanya pada proses kerja internal saja. Studi lainnya juga menunjukkan perubahan nyata pada hasil klinis pasien. Beberapa rumah sakit melaporkan penurunan angka mortalitas dan komplikasi pascaoperasi, berkurangnya lama rawat inap, meningkatnya kontrol tekanan darah dan HbA1c pada pasien diabetes, serta percepatan waktu tindakan operasi.

Temuan paling penting dari kajian ini adalah bahwa benchmarking yang berdiri sendiri belum tentu cukup. Sebagian besar keberhasilan justru terjadi ketika benchmarking dipadukan dengan intervensi pendukung. Berdasarkan 12 dari 17 studi yang ditelaah, peneliti menggunakan strategi tambahan untuk mendorong perubahan dan lebih dari separuh mengkombinasikan lebih dari satu strategi sekaligus. Bentuk intervensi strateginya cukup beragam seperti pertemuan rutin antar peserta benchmarking, penyusunan rencana peningkatan mutu, siklus Plan–Do–Check–Act (PDCA), audit dan umpan balik (audit & feedback), pemberian pedoman klinis, dukungan teknis, serta insentif finansial berbasis kinerja (pay for performance). Pertemuan dan diskusi antar peserta menjadi pendekatan yang paling sering digunakan karena membuka ruang berbagi pengalaman dan praktik secara langsung.

Benchmarking secara keseluruhan menawarkan pendekatan yang lebih strategis dalam tata kelola mutu. Rumah sakit tidak hanya memperoleh gambaran posisi kinerja dibanding fasilitas lain tetapi juga membangun budaya organisasi yang lebih terbuka terhadap pembelajaran dan perbaikan berkelanjutan. Pendekatan ini berpotensi menjadi salah satu fondasi penting bagi perkembangan rumah sakit untuk menjadi organisasi pembelajar dan berorientasi pada hasil bagi pasien.

 

Disarikan oleh:
Nikita Widya Permata Sari, S.Gz., MPH
(Peneliti Divisi Manajemen Mutu PKMK FK-KMK UGM)

Selengkapnya: