Ginjal adalah organ vital yang berfungsi untuk ekskresi atau mengeluarkan zat-zat sisa metabolisme yang tidak dibutuhkan lagi dalam tubuh. Organ ini juga memiliki fungsi menyeimbangkan cairan, memproduksi sel darah merah, mengatur tekanan darah, dan menyaring hingga 120-150 liter darah per hari.
Namun, berbagai fungsi organ tersebut akan terganggu pada orang yang mengalami penyakit ginjal kronis. Untuk memantau fungsi ginjal ini, Pusat Riset Sains Data dan Informasi Badan Riset dan Inovasi Nasional (BRIN) mengembang chatbot LISA. Chatbot ini menggunakan large language model (LLM) dan dipadukan dengan retrieval-augmented generation (RAG) untuk menghasilkan jawaban berdasarkan sumber informasi yang telah tervalidasi.
Jika seseorang mengalami penyakit ginjal kronis maka fungsi atau struktur ginjal mengalami kerusakan yang berlangsung selama tiga bulan atau lebih. Penyakit ini bersifat progresif dan sering kali tidak bergejala pada tahap awal, sehingga sering disebut sebagai silent killer.
Salah satu penanganan yang dilakukan ialah terapi pengganti ginjal melalui hemodialisis atau cuci darah. Kebutuhan cuci darah di Indonesia terus meningkat seiring bertambahnya pasien penyakit ginjal kronis. Badan Penyelenggara Jaminan Sosial (BPJS) Kesehatan mencatat, sebanyak 211.753 pasien menjalani hemodialisis pada 2025.
Berdasarkan data Perhimpunan Nefrologi Indonesia (Pernefri), sebagian besar pasien yang menjalani terapi pengganti ginjal di Indonesia menggunakan metode hemodialisis dengan mesin dialiser. Sementara itu, hanya sekitar 1–2 persen pasien yang menggunakan metode continuous ambulatory peritoneal dialysis (CAPD), yakni dialisis melalui rongga perut.
Kondisi tersebut melatarbelakangi Pusat Riset Sains Data dan Informasi Badan Riset dan Inovasi Nasional (BRIN) mengembangkan chatbot LISA. Perangkat percakapan merupakan asisten virtual berbasis kecerdasan buatan (AI) untuk membantu pasien penyakit ginjal kronis yang menjalani hemodialisis dalam memperoleh informasi kesehatan.
Perekayasa Pusat Riset Sains Data dan Informasi BRIN Elvira Nurfadhilah mengemukakan, pengembangan chatbot khusus hemodialisis tetap diperlukan meski sudah ada ChatGPT, Claude, atau Gemini. Sebab, penggunaan chatbot tersebut berpotensi menghasilkan halusinasi atau jawaban terdengar meyakinkan, tetapi tidak sesuai dengan bukti ilmiah.
Kami membuat chatbot yang dapat memberikan jawaban dengan sumber yang bisa ditelusuri. (Elvira)
Selain itu, hasil riset juga menunjukkan chatbot tersebut belum tentu mampu menyajikan sumber informasi yang akurat. Ketika diminta mencantumkan referensi, sumber yang diberikan terkadang tidak ditemukan. Akibatnya, kutipan yang ditampilkan tidak merepresentasikan isi sumber aslinya sehingga kebenaran jawaban sulit diverifikasi.
Konteks lokal juga menjadi tantangan dalam penggunaan chatbot untuk informasi kesehatan. Masyarakat umumnya menggunakan istilah awam seperti cuci darah, sedangkan Pedoman Nasional Pelayanan Kedokteran (PNPK) Pernefri menggunakan istilah hemodialisis.
Perbedaan penggunaan istilah kedokteran dengan pemahaman umum tersebut perlu dijembatani. Hal ini bertujuan agar informasi kesehatan dapat dipahami masyarakat sekaligus tetap sesuai dengan terminologi medis yang digunakan tenaga kesehatan.
“Oleh karena itu, kami membuat chatbot yang dapat memberikan jawaban dengan sumber yang bisa ditelusuri,” ujar Elvira dalam webinar dialog eksplorasi sains data dan informasi bertema inovasi AI akhir Oktober lalu.
Pengembangan chatbot LISA bermula pada 2021 sebagai proyek pribadi dari Elvira. Saat itu, chatbot tersebut dibuat setelah Elvira memenangkan juara pertama lomba pembuatan chatbot di Kementerian Komunikasi dan Informatika dengan pendekatan sederhana, yakni rule-based dan pattern matching yang dapat digunakan oleh nonprogrammer.
Pengembangan chatbot tersebut kembali berlanjut pada 2024 setelah Elvira menampilkan video chatbot dalam sebuah pameran penelitian hasil kolaborasi di Jawa Barat. Ketertarikan atasan Elvira terhadap inovasi tersebut mendorong chatbot LISA ditampilkan kembali dalam kegiatan temu bisnis hingga menarik minat salah satu industri.
Sejak saat itu, pengembangan chatbot dilakukan lebih serius dengan mengintegrasikan pendekatan seperti intent-based classification untuk mengenali maksud atau tujuan pertanyaan. Pada 2025, chatbot LISA dikembangkan menggunakan large language model (LLM) dan dipadukan dengan retrieval-augmented generation (RAG) untuk menghasilkan jawaban berdasarkan sumber informasi yang telah tervalidasi.
Pada 2025, pengembangan chatbot LISA memasuki tahap diseminasi melalui pembuatan perangkat lunak LISA 2.0 dan publikasi dua penelitian di nternational Conference on Computer, Control, Informatics and its Applications (IC3INA). Inovasi tersebut juga dipamerkan melalui demonstrasi di InaRI Expo 2025 serta diperkenalkan dalam temu bisnis.
Menurut Elvira, chatbot tersebut telah dikembangkan oleh tim berlatar belakang ilmu komputer. Namun, tenaga medis belum dilibatkan dalam pengembangan. Oleh karena itu, meski chatbot mampu menghasilkan jawaban beserta referensinya, tim peneliti masih belum yakin apakah informasi yang diberikan benar-benar aman digunakan oleh pasien.
Fokus pengembangan chatbot LISA saat ini yaitu setiap jawaban bisa ditelusuri dan berbasis sumber bukti. Sumbernya pun harus yang tervalidasi dan memang digunakan
Pada 2026, pengembangan LISA akhirnya berlanjut ke tahap validasi data dan pengujian di rumah sakit. Dalam program tersebut, tim peneliti berkolaborasi dengan Rumah Sakit Umum Daerah (RSUD) Baktipaja dan RSUD Tangerang untuk menguji chatbot LISA sekaligus melakukan validasi data tanya jawab dan taksonomi medis.
“Fokus pengembangan chatbot LISA saat ini yaitu setiap jawaban bisa ditelusuri dan berbasis sumber bukti. Sumbernya pun harus yang tervalidasi dan memang digunakan,” kata Elvira.
Salah satu tantangan dalam pengembangan chatbot kesehatan adalah memastikan jawaban yang dihasilkan tidak hanya terdengar meyakinkan, tetapi juga memiliki dasar informasi yang dapat ditelusuri. Oleh karena itu, chatbot LISA menggunakan pendekatan RAG untuk mencari informasi dari dokumen rujukan sebelum menyusun jawaban.
Basis pengetahuan chatbot LISA mencakup pedoman nasional, seperti Pedoman Nasional Pelayanan Klinis (PNPK) Kementerian Kesehatan dan konsensus Pernefri. Kemudian mencakup juga pedoman internasional, antara lain Kidney Disease: Improving Global Outcomes (KDIGO), Kidney Disease Outcomes Quality Initiative (KDOQI), dan National Kidney Foundation (NKF).
Selain itu, chatbot LISA juga menggunakan basis pengetahuan dari sekitar 9.600 artikel kesehatan berbahasa Indonesia dan jurnal ilmiah bereputasi yang telah diseleksi secara ketat atau bukan jurnal predator. Chatbot ini dilengkapi pula basis pertanyaan yang bersumber dari portal kesehatan, komunitas pasien, dan masukan tenaga medis.
Melalui basis pengetahuan tersebut, chatbot LISA dapat membantu pasien memperoleh informasi dasar mengenai prosedur hemodialisis, edukasi perawatan harian, pengaturan cairan dan nutrisi, serta dukungan emosional ringan. Chatbot ini juga memberikan arahan terkait kondisi pasien yang mengharuskan mereka menghubungi tenaga kesehatan.
Meski demikian, Elvira menegaskan bahwa chatbot LISA memiliki batasan dalam memberikan informasi kesehatan dan tidak ditujukan untuk menggantikan peran dokter atau perawat. Keputusan pengobatan individual, terapi spesifik, penanganan kondisi darurat atau gawat, serta keputusan klinis personal lainnya tetap harus dirujuk kepada tenaga medis.
Saat ini, chatbot LISA masih dalam proses pengembangan dan ditargetkan purwarupa versi terbaru akan segera diuji secara terbatas di rumah sakit mitra. Pengembangan chatbot LISA ini diharapkan dapat menjadi upaya dalam pemanfaatan kecerdasan buatan untuk meningkatkan kualitas layanan edukasi kesehatan di Indonesia.
Saat ini, chatbot LISA masih dalam proses pengembangan dan ditargetkan purwarupa versi terbaru akan segera diuji secara terbatas di rumah sakit mitra.
Dosen Keperawatan Anak Politeknik Kesehatan Kementerian Kesehatan Jakarta I, Amelia Amis mengatakan, penggunaan chatbot yang menyediakan informasi dapat membantu memenuhi sebagian kebutuhan pasien, terutama dalam memperoleh informasi yang relevan, tepat waktu, dan sesuai dengan kondisi mereka.
Amelia menekankan, pengembangan AI seharusnya tidak dimulai dari pertanyaan mengenai teknologi yang telah dibuat, melainkan dari persoalan pasien yang ingin dibantu. Dengan memahami kebutuhan pasien sejak awal, inovasi teknologi dapat dikembangkan secara lebih efektif untuk memberikan manfaat nyata bagi pasien.
