Curiosity: AI yang Belajar dari 118 Juta Riwayat Pasien untuk Memprediksi Perjalanan Kesehatan

Bayangkan seorang dokter yang bisa melihat beberapa kemungkinan "masa depan" pasiennya sebelum mengambil keputusan: apakah pasien ini kemungkinan kembali dirawat dalam 30 hari, berapa lama ia perlu tinggal di rumah sakit, atau seberapa besar risikonya terkena penyakit tertentu dalam dua tahun ke depan. Itulah gagasan di balik Curiosity, keluarga model AI kesehatan yang dikembangkan Epic Systems bersama peneliti Microsoft Research dan Yale School of Medicine.

Riset ini kembali ramai dibicarakan di X pekan ini. Banyak yang membagikannya sebagai bukti bahwa kedokteran bisa "dihitung" seperti masalah komputasi. Klaim seheboh itu perlu dibaca pelan-pelan. Mari kita lihat apa yang sebenarnya dilakukan model ini, apa hasilnya, dan apa batasannya.

Belajar dari urutan kejadian medis, bukan dari teks

Kebanyakan orang mengenal model bahasa besar (LLM) yang belajar dari tumpukan teks. Curiosity memakai teknologi inti yang mirip, tetapi bahan belajarnya berbeda. Yang dipelajari adalah urutan kejadian medis: diagnosis, hasil laboratorium, obat yang diresepkan, kunjungan ke rumah sakit, dan jeda waktu di antaranya.

Datanya berasal dari Epic Cosmos, platform data rekam medis yang identitas pasiennya sudah dihapus (de-identified). Menurut makalah risetnya di arXiv, Cosmos memuat sekitar 16,3 miliar kunjungan dari lebih dari 300 juta catatan pasien unik di 310 sistem layanan kesehatan. Curiosity sendiri dilatih pada sebagian data itu: 118 juta pasien dengan 115 miliar kejadian medis, atau sekitar 151 miliar token, yang tercatat antara Januari 2012 dan April 2025.

Jadi, angka "300 juta pasien" yang beredar di media sosial merujuk pada keseluruhan Cosmos, bukan data latih modelnya.

Cara kerjanya: menyimulasikan banyak kemungkinan

Prinsipnya mirip cara chatbot menebak kata berikutnya. Curiosity diberi riwayat medis seorang pasien, lalu menebak "kejadian medis berikutnya" berulang-ulang hingga terbentuk satu linimasa kesehatan. Proses ini diulang puluhan kali. Dalam salah satu uji, peneliti membuat 60 simulasi linimasa per pasien. Dari kumpulan simulasi itulah peluang suatu kejadian dihitung, misalnya berapa persen simulasi yang berakhir dengan rawat inap ulang.

Tim peneliti melatih tiga ukuran model: sekitar 62 juta, 119 juta, dan 1 miliar parameter. Ukuran ini kecil dibanding chatbot populer saat ini, tetapi cukup untuk menguji pertanyaan pentingnya: apakah model kesehatan juga makin pintar jika data dan komputasinya ditambah?

Hasil utamanya

Ada dua temuan yang membuat riset ini menarik:

1. Satu model untuk banyak tugas. Curiosity diuji pada 78 tugas nyata, mulai dari prediksi diagnosis, prognosis penyakit, lama rawat inap, hingga rawat inap ulang dalam 30 hari. Menurut para peneliti, model ini umumnya menyamai atau mengungguli model khusus yang dilatih terpisah untuk masing-masing tugas, tanpa fine-tuning dan tanpa contoh tambahan.
2. Mengikuti "hukum skala". Seperti pada LLM, performa Curiosity naik secara konsisten saat ukuran model, data, dan komputasi ditambah. Peneliti juga menemukan bahwa membuat lebih banyak simulasi per pasien ikut memperbaiki hasil prediksi.

Epic menyebut model ini nantinya bisa membantu memperkirakan risiko seperti lama rawat inap, rawat inap ulang 30 hari, risiko penyakit kardiovaskular aterosklerotik (ASCVD), atau munculnya kondisi seperti kanker pankreas. Hasil simulasinya akan dirangkum menjadi wawasan bagi tenaga medis, bukan keputusan otomatis.

Keterbatasan dan konteks

Sebelum ikut terbawa euforia, ada beberapa catatan penting, sebagian besar diakui sendiri oleh para peneliti:

• Ini bukan berita yang benar-benar baru. Makalahnya pertama kali terbit di arXiv pada Agustus 2025 dan direvisi pada November 2025. Yang ramai pekan ini adalah perbincangannya, bukan rilis baru.
• Data dunia nyata tidak sempurna. Rekam medis bisa salah catat. Pasien juga bisa berobat ke fasilitas yang tidak terhubung ke Cosmos, sehingga ada celah dalam riwayatnya.
• Detail kecil bisa hilang. Nilai laboratorium dan waktu diubah menjadi kategori, sehingga perubahan kecil yang penting secara klinis bisa tertutupi. Riwayat banyak pasien juga lebih panjang dari jendela konteks model, yaitu 8.192 token.
• Belum diuji per kelompok populasi. Evaluasi dilakukan secara agregat. Peneliti belum menguji akurasinya pada subkelompok tertentu, dan validasi prospektif (diuji langsung ke depan pada pasien nyata) masih menjadi pekerjaan lanjutan.
• Datanya berasal dari luar Indonesia. Sebagian besar sistem kesehatan di Cosmos ada di Amerika Serikat, ditambah beberapa di Kanada, Lebanon, dan Arab Saudi. Pola penyakit, obat, dan sistem rujukan di Indonesia berbeda, sehingga hasilnya tidak bisa langsung dianggap berlaku di sini.
• Belum menjadi alat praktik umum. Epic menyatakan Curiosity akan dievaluasi kasus per kasus sebelum dipakai dalam alur kerja harian. Epic juga merencanakan akses bagi peneliti dari organisasi anggota Cosmos melalui laboratorium virtual mulai Februari 2026.

Bagi pembaca di Indonesia, pelajarannya ada dua. Pertama, nilai data kesehatan yang tercatat rapi dan terhubung sangat besar, baik untuk riset maupun layanan. Kedua, prediksi AI tetap berupa peluang, bukan vonis. Keputusan medis tetap milik pasien dan tenaga kesehatan.

Coba di Sumber AI

Ingin memahami istilah seperti foundation model, hukum skala, atau AUC tanpa harus membaca makalah setebal puluhan halaman? Di Sumber AI, Anda bisa membuka chat dan meminta AI menjelaskan konsep riset seperti ini dengan bahasa sederhana, lalu mencatat poin pentingnya di jurnal agar mudah dibaca ulang. Ingat juga: untuk pertanyaan tentang kondisi kesehatan pribadi, AI berguna untuk memahami istilah, tetapi konsultasikan keputusan medis dengan dokter.

Sumber

• Waxler, Blazek, White, Sneider, dkk., "Generative Medical Event Models Improve with Scale", arXiv: arxiv.org/abs/2508.12104
• Epic, "Curiosity: A New Medical Intelligence for Clinical and Operational Insights" (3 September 2025): epic.com
• Microsoft Research, halaman publikasi riset: microsoft.com/research
• Perbincangan di X: x.com/i/trending/2117841763507326997