Membayangkan Sebuah Skenario

Bayangkan seseorang bernama Budi. Dia adalah seorang penyandang skizofrenia yang sudah menjalani pengobatan selama tiga tahun. Jadwal kontrolnya ke psikiater adalah setiap dua minggu sekali. Pada hari kontrol, dokter menyatakan kondisinya stabil. Tapi tujuh hari setelahnya tepat di tengah-tengah jeda kunjungan tanda-tanda kambuh mulai muncul: tidurnya kacau, dia mulai menarik diri dari keluarga, dan suara-suara yang dulu mereda mulai terdengar lagi.

Tidak ada yang tahu. Budi sendiri tidak sepenuhnya sadar bahwa kondisinya sedang memburuk. Keluarganya baru panik ketika keadaan sudah cukup parah untuk dibawa ke UGD rumah sakit jiwa.

Inilah realita yang dialami oleh jutaan penyandang skizofrenia di Indonesia dan di sinilah gagasan PSYCHO-TWIN berangkat.

Skizofrenia dan Kesenjangan yang Selama Ini Terabaikan

Skizofrenia adalah salah satu gangguan jiwa berat yang paling kompleks. Menurut data Riskesdas 2018, prevalensi psikosis dan skizofrenia di Indonesia mencapai sekitar 7 per 1.000 rumah tangga. Angka ini terdengar kecil, tapi jika dikonversi ke populasi nyata, kita berbicara tentang ratusan ribu keluarga yang harus hidup berdampingan dengan tantangan ini setiap harinya.

Tantangan terbesar bukan hanya pada pengobatan awal, melainkan pada pencegahan episode relaps, istilah medis untuk kondisi kambuh atau memburuknya gejala setelah masa stabil. Setiap episode relaps tidak hanya menyiksa pasien secara fisik dan mental, tapi juga berisiko menyebabkan penurunan fungsi otak yang permanen. Semakin sering kambuh, semakin besar kerusakan jangka panjangnya.

Masalah terbesarnya? Sistem pemantauan saat ini bersifat reaktif, bukan proaktif. Kita baru bertindak ketika gejala sudah parah, bukan ketika tanda-tanda awalnya mulai muncul. Ini ibarat baru mematikan kompor saat dapur sudah terbakar, padahal asapnya sudah kelihatan sejak tadi.

Dan satu lagi fakta yang perlu kita hadapi bersama: rasio psikiater di Indonesia hanya 1 berbanding 300.000 penduduk. Artinya, tidak realistis mengharapkan setiap pasien bisa dipantau secara intensif oleh tenaga kesehatan jiwa profesional.

Apa Itu Digital Twin, dan Mengapa Ini Relevan untuk Psikologi?

Konsep Digital Twin (kembaran digital) sebenarnya sudah lama digunakan di dunia industri. Dalam manufaktur, para insinyur membuat salinan digital dari sebuah mesin untuk memonitor kondisinya secara real-time mendeteksi potensi kerusakan sebelum mesin itu benar-benar rusak.

Pertanyaannya: bisakah pendekatan yang sama diterapkan untuk memantau kondisi mental manusia?

Itulah inti dari gagasan PSYCHO-TWIN (Psychological Digital Twin). Kami mengusulkan sebuah kerangka sistem di mana setiap pasien skizofrenia memiliki “kembaran digital” berupa model kecerdasan buatan yang mempelajari pola perilaku unik dari individu tersebut secara terus-menerus. Bukan berdasarkan rata-rata populasi, tapi berdasarkan diri mereka sendiri.

Karena skizofrenia itu sangat personal. Tanda-tanda awal kambuh pada Budi mungkin berbeda dari tanda-tanda pada pasien lainnya. Mungkin untuk Budi, pola tidurnya yang berubah adalah sinyal utama. Untuk orang lain, mungkin adalah penurunan frekuensi komunikasi dengan keluarga. Model AI yang belajar dari data individu itulah yang akan mampu mengenali pola-pola unik ini.

Tiga Sumber Data yang Selama Ini Diabaikan

Salah satu keunikan dari PSYCHO-TWIN adalah pemilihan sumber datanya. Kami tidak hanya mengandalkan rekam medis konvensional. Sistem ini mengintegrasikan tiga lapisan data kehidupan sehari-hari yang selama ini hampir tidak pernah masuk ke dalam sistem pemantauan kesehatan mental:

1. Data Biologis & Fisik

Dikumpulkan melalui smartwatch atau gelang pintar yang kini semakin terjangkau harganya. Data yang dicatat mencakup: kualitas dan durasi tidur, pola aktivitas fisik harian, detak jantung istirahat, hingga tingkat variabilitas detak jantung (heart rate variability) yang berhubungan erat dengan kondisi stres otonom tubuh.

2. Data Lingkungan

Ini adalah lapisan yang paling jarang diperhatikan, padahal pengaruhnya nyata. Data lingkungan mencakup kondisi cuaca (suhu, kelembaban, tekanan udara), tingkat kebisingan sekitar, serta paparan cahaya. Penelitian menunjukkan bahwa faktor lingkungan seperti perubahan cuaca ekstrem dan paparan kebisingan kronis dapat menjadi pemicu episode psikotik pada individu yang rentan.

3. Data Sosial

Bukan konten percakapan, melainkan metadata interaksi sosial: seberapa sering pasien berkomunikasi dengan anggota keluarga inti, apakah ada perubahan drastis dalam pola komunikasi mereka, frekuensi keluar rumah, dan sejenisnya. Isolasi sosial adalah salah satu prekursor relaps yang paling konsisten ditemukan dalam literatur psikiatri.

Ketiga lapisan data ini diintegrasikan dalam model yang terus belajar dan memperbarui dirinya sendiri layaknya seorang psikiater virtual yang tidak pernah tidur dan tidak pernah berhenti memperhatikan pasiennya.

Masalah Terbesar: Privasi Data

Di sinilah banyak sistem serupa menghadapi jalan buntu. Data tentang kondisi mental seseorang adalah salah satu data paling sensitif yang bisa dibayangkan. Siapa yang boleh melihatnya? Bagaimana memastikannya tidak bocor? Bagaimana jika server pusat diretas?

Dalam arsitektur konvensional, semua data dikirim ke server pusat untuk diproses. Pendekatan ini efisien secara komputasi, tapi berisiko tinggi secara privasi.

PSYCHO-TWIN mengusulkan solusi yang berbeda secara fundamental: Federated Learning.

Dalam pendekatan Federated Learning, model AI tidak pernah “melihat” data mentah pasien. Alih-alih, model AI dilatih langsung di perangkat pasien masing-masing (smartphone atau tablet). Yang dikirim ke server pusat bukan datanya, melainkan hanya pembaruan parameter model angka-angka abstrak yang tidak bisa dibalik menjadi data pribadi.

Analoginya seperti ini: daripada meminta setiap guru mengirim semua lembar jawaban muridnya ke kantor pusat untuk dianalisis, kita cukup meminta setiap guru melaporkan “rata-rata nilai dan tren pelajaran mana yang paling sulit” tanpa perlu tahu siapa murid tertentu yang mengalami kesulitan.

Dengan pendekatan ini:

• Privasi pasien terjaga penuh data tidak pernah meninggalkan perangkat mereka
• Model tetap bisa belajar dari banyak pasien karena pembaruan parameter dari banyak perangkat digabungkan untuk meningkatkan kecerdasan model global
• Compliance terhadap regulasi seperti UU Perlindungan Data Pribadi (UU PDP) No. 27 Tahun 2022 lebih mudah dipenuhi

Bagaimana Sistem Ini Bekerja dalam Praktik?

Secara konseptual, alur kerja PSYCHO-TWIN bisa dibayangkan sebagai berikut:

Langkah 1 Pengumpulan Data Pasif Pasien mengenakan smartwatch dan mengizinkan aplikasi di smartphone mereka untuk mengumpulkan data lingkungan dan sosial secara pasif. Tidak perlu mengisi formulir, tidak perlu ingat menekan tombol apapun.

Langkah 2 Pembelajaran Lokal Model AI di perangkat pasien secara berkala memperbarui dirinya berdasarkan data terbaru. Selama berminggu-minggu pertama, model sedang “mengenal” pola dasar pasien seperti berapa jam tidur normalnya, berapa kali biasanya dia menghubungi anggota keluarga dalam seminggu.

Langkah 3 Deteksi Anomali Begitu model memiliki baseline yang cukup, ia mulai mengenali deviasi dari pola normal. Tidur yang tiba-tiba berkurang 40% selama tiga hari berturut-turut? Komunikasi sosial yang anjlok drastis? Kombinasi kondisi-kondisi ini menghasilkan risk score angka yang merepresentasikan seberapa tinggi risiko relaps saat ini.

Langkah 4 Notifikasi & Intervensi Jika risk score melampaui ambang batas tertentu, sistem mengirimkan notifikasi: kepada caregiver (anggota keluarga yang dipercaya), kepada pasien sendiri dalam format yang lembut dan tidak menyebabkan kepanikan, dan opsional kepada psikiater yang menangani. Intervensi bisa berupa pengingat untuk beristirahat, video teknik relaksasi, atau jadwal konsultasi yang dipercepat.

Langkah 5 Federated Update Parameter model yang telah diperbarui dikirim ke server pusat (tanpa data mentah) untuk digunakan dalam meningkatkan model global yang akan menguntungkan semua pengguna sistem.

Mengapa Ini Bisa Menjangkau Daerah Terpencil?

Salah satu kelebihan arsitektur ini adalah sifatnya yang asinkron dan ringan. Sistem tidak membutuhkan koneksi internet yang konstan dan cepat. Data dikumpulkan dan diproses secara lokal, dan sinkronisasi ke server hanya perlu terjadi secara berkala bahkan bisa dilakukan ketika perangkat terhubung ke WiFi.

Ini berarti pasien di daerah dengan koneksi internet yang tidak stabil pun tetap bisa mendapatkan manfaat pemantauan real-time. Sebuah keunggulan yang sangat relevan untuk konteks Indonesia, di mana distribusi fasilitas kesehatan jiwa masih sangat tidak merata antara Jawa dan luar Jawa.

Posisi PSYCHO-TWIN di antara Penelitian yang Sudah Ada

Kami menyadari bahwa gagasan ini tidak lahir dari ruang hampa. Beberapa penelitian terdahulu sudah mengeksplorasi penggunaan sensor pasif untuk deteksi kondisi mental, seperti penelitian oleh Mohr et al. (2017) tentang digital phenotyping, atau penggunaan smartwatch untuk mendeteksi depresi oleh Sano et al. (2015).

Yang membedakan PSYCHO-TWIN adalah integrasi tiga lapisan data secara bersamaan dalam satu kerangka, dikombinasikan dengan Federated Learning untuk menyelesaikan masalah privasi, dan fokus spesifik pada populasi skizofrenia di konteks layanan kesehatan Indonesia yang memiliki keterbatasan struktural unik.

Ini bukan sekedar adaptasi teknologi luar. Ini adalah rancangan yang mempertimbangkan realita bahwa pasien mungkin tinggal di desa tanpa psikiater terdekat dalam radius 100 kilometer, bahwa caregiver-nya mungkin hanya istri atau anak yang tidak memiliki latar belakang medis apapun, dan bahwa perangkat yang digunakan harus terjangkau dan mudah digunakan oleh lansia sekalipun.

Tantangan yang Masih Harus Dijawab

Sebagai gagasan yang jujur, kami juga perlu mengakui beberapa tantangan besar yang masih harus dijawab sebelum sistem ini bisa benar-benar diimplementasikan:

Validasi Klinis Model prediksi relaps harus diuji secara ketat dalam studi klinis longitudinal melibatkan psikiater, sebelum hasilnya bisa dipercaya untuk digunakan dalam keputusan medis nyata.

Akseptabilitas Pasien Tidak semua pasien atau keluarga akan nyaman dengan ide “dipantau terus-menerus”, meski secara pasif. Proses desain yang melibatkan pasien dan caregiver sejak awal (participatory design) adalah keharusan.

Regulasi Penggunaan data kesehatan mental diatur oleh regulasi yang ketat. Kerangka hukum yang jelas harus dibangun bersama Kemenkes dan BPJS Kesehatan sebelum sistem ini bisa diintegrasikan ke dalam layanan kesehatan formal.

Ekuitas Akses Smartwatch, meski semakin murah, belum tentu terjangkau untuk semua segmen pasien. Desain sistem harus mempertimbangkan alternatif untuk pasien yang tidak mampu mengakses perangkat tersebut.

Penutup: Merawat dengan Lebih Cerdas, Bukan Hanya Lebih Keras

Sistem kesehatan jiwa di Indonesia sudah berjuang keras dengan sumber daya yang terbatas. Para psikiater, perawat jiwa, dan caregiver keluarga bekerja jauh melampaui kapasitas normalnya. Solusi yang kita butuhkan bukan sekadar menambah jumlah tenaga kesehatan — yang prosesnya membutuhkan puluhan tahun — tapi juga memanfaatkan teknologi untuk memperluas jangkauan perhatian yang bisa diberikan.

PSYCHO-TWIN bukan bermaksud menggantikan psikiater. Sistem ini dirancang untuk menjadi asisten yang tidak pernah lelah — yang memperhatikan Budi dan ribuan pasien lainnya di antara jadwal kunjungan mereka, memastikan bahwa ketika ada yang tidak beres, ada yang tahu dan ada yang bisa bertindak sebelum terlambat.

Karena pada akhirnya, pencegahan satu episode relaps bukan hanya menyelamatkan pasien dari penderitaan. Ia menyelamatkan keluarga dari kepanikan tengah malam, menyelamatkan kapasitas UGD rumah sakit jiwa yang sudah kewalahan, dan mungkin, menyelamatkan seseorang dari kehilangan fungsi kognitif yang tidak bisa kembali.

Itu adalah alasan yang cukup untuk terus mengembangkan gagasan ini.

Referensi

1. Kementerian Kesehatan RI. (2018). Hasil Utama Riset Kesehatan Dasar (Riskesdas) 2018. Badan Penelitian dan Pengembangan Kesehatan.
2. Mohr, D. C., Zhang, M., & Schueller, S. M. (2017). Personal sensing: understanding mental health using ubiquitous sensors and machine learning. Annual Review of Clinical Psychology, 13, 23–47. https://doi.org/10.1146/annurev-clinpsy-032816-044949
3. Sano, A., & Picard, R. W. (2015). Stress recognition using wearable sensors and mobile phones. 2013 Humaine Association Conference on Affective Computing and Intelligent Interaction, 671–676.
4. McMahon, K., Bhattacharjee, D., & Vickers, K. (2022). Digital phenotyping for mental health of college students: a clinical review. JMIR Mental Health, 9(3), e32360.
5. Bonawitz, K., Eichner, H., Grieskamp, W., Huba, D., Ingerman, A., Ivanov, V., … & Van Overveldt, M. (2019). Towards federated learning at scale: A system design. arXiv preprint arXiv:1902.01046.
6. Undang-Undang Republik Indonesia Nomor 27 Tahun 2022 tentang Perlindungan Data Pribadi.
7. World Health Organization. (2022). World Mental Health Report: Transforming Mental Health for All. WHO Press.
8. Kementerian Kesehatan RI. (2021). Situasi Kesehatan Jiwa di Indonesia. Pusat Data dan Informasi Kemenkes RI.

---