METABARIDIGESTIVE.ID
Bukan lagi sekadar menghitung BMI
Penanganan obesitas sedang memasuki fase baru. Selama bertahun-tahun, dokter terutama menggunakan BMI, usia, penyakit penyerta, hasil laboratorium, riwayat pengobatan, dan kondisi klinis untuk menentukan strategi terapi. Kini, artificial intelligence (AI) dan machine learning (ML) mulai digunakan untuk membaca kombinasi data yang jauh lebih kompleks dan memprediksi kemungkinan hasil terapi pada masing-masing pasien.
Dalam konteks metabolic and bariatric surgery, pertanyaannya mulai bergeser. Bukan hanya “Apakah pasien memenuhi kriteria operasi?”, tetapi juga “Seberapa besar kemungkinan pasien mendapatkan manfaat dari terapi tertentu, dan bagaimana hasilnya dapat diprediksi serta dipantau?”
Perubahan ini penting karena respons terhadap terapi obesitas tidak sama pada setiap orang. Dua pasien dengan BMI yang sama dapat mempunyai perjalanan penyakit, respons obat, penurunan berat badan, maupun kemungkinan remisi diabetes yang berbeda.
Penelitian terbaru menunjukkan bahwa AI/ML sudah digunakan untuk memprediksi penurunan berat badan, respons klinis, komplikasi, perjalanan berat badan setelah operasi, hingga kemungkinan remisi diabetes tipe 2. Namun, teknologi ini masih berada dalam tahap pengembangan dan validasi; AI belum menggantikan dokter dalam menentukan terapi.
Bagaimana AI memprediksi keberhasilan terapi?
Secara sederhana, AI belajar dari data pasien-pasien sebelumnya.
Bayangkan sebuah sistem memiliki data ribuan pasien yang menjalani operasi metabolic bariatric. Sistem dapat mempelajari:
- usia;
- jenis kelamin;
- BMI;
- lingkar pinggang atau ukuran adipositas lainnya;
- lama menderita diabetes;
- HbA1c dan kadar glukosa;
- penggunaan insulin dan obat diabetes;
- fungsi metabolik;
- jenis operasi;
- perubahan berat badan setelah operasi;
- serta berbagai karakteristik klinis lainnya.
Dari data tersebut, algoritma mencari pola yang berhubungan dengan hasil tertentu.
Misalnya, sistem dapat dilatih untuk menjawab pertanyaan:
Siapa yang kemungkinan besar mencapai penurunan berat badan bermakna satu tahun setelah operasi?
Atau:
Siapa yang mempunyai kemungkinan lebih besar mengalami remisi diabetes tipe 2 setelah operasi?
Salah satu penelitian yang menggunakan artificial neural network bahkan menggabungkan faktor klinis dengan biomarker genomik untuk memprediksi remisi diabetes setelah operasi bariatrik.
Dari prediksi sederhana menuju prediksi dinamis
Generasi awal model prediksi biasanya menggunakan data sebelum operasi. Model kemudian menghasilkan estimasi kemungkinan keberhasilan.
Teknologi yang lebih baru mulai memasukkan perubahan kondisi pasien dari waktu ke waktu.
Ini merupakan perkembangan penting.
Berat badan tiga bulan setelah operasi dapat memberikan informasi tambahan untuk memprediksi perjalanan pasien pada bulan-bulan berikutnya. Dengan demikian, AI tidak hanya melihat:
“Siapa pasien ini sebelum operasi?”
tetapi juga:
“Bagaimana pasien ini berkembang setelah operasi?”
Sebuah penelitian multicentre yang diterbitkan pada 2026 mengembangkan model machine learning menggunakan data dari 9.652 pasien di 11 pusat di Eropa. Model tersebut memprediksi perjalanan BMI hingga 60 bulan dan kemudian menggunakan prediksi perjalanan BMI tersebut untuk memperkirakan remisi diabetes tipe 2. Penambahan trajectory berat badan meningkatkan kemampuan diskriminasi model dibandingkan model yang hanya menggunakan data awal.
Inilah arah penting perkembangan AI dalam obesitas: prediksi yang semakin personal dan dinamis.
Apa yang sebenarnya diprediksi AI?
Ada beberapa kemungkinan penggunaan.
1. Prediksi penurunan berat badan
Tidak semua pasien mengalami penurunan berat badan dengan pola yang sama setelah operasi.
Systematic review dan meta-analysis yang diterbitkan pada 2026 menganalisis 12 penelitian machine learning mengenai prediksi hasil penurunan berat badan setelah metabolic and bariatric surgery. Delapan penelitian masuk dalam meta-analysis dan menghasilkan pooled AUC 0,846.
Angka tersebut menunjukkan kemampuan diskriminasi yang cukup baik, tetapi penelitian tersebut juga menemukan heterogenitas tinggi dan risiko bias yang cukup besar. Para peneliti menekankan perlunya validasi yang lebih ketat dan penelitian multicentre sebelum model digunakan secara luas dalam praktik klinis.
Artinya, AI menunjukkan potensi, bukan jaminan.
2. Prediksi kemungkinan remisi diabetes
Ini salah satu aplikasi yang paling menarik.
Pada pasien dengan obesitas dan diabetes tipe 2, operasi metabolic bariatric dapat memberikan perbaikan metabolik yang besar dan pada sebagian pasien menyebabkan remisi diabetes.
AI dapat mempelajari hubungan antara karakteristik pasien sebelum operasi dengan kemungkinan remisi setelah operasi.
Penelitian pada 8.057 pasien diabetes tipe 2 dari Scandinavian Obesity Surgery Registry mengembangkan model convolutional neural network untuk memprediksi remisi diabetes setelah Roux-en-Y gastric bypass dan melakukan pengujian eksternal.
Penelitian tersebut menunjukkan bahwa penggunaan AI untuk prediksi remisi diabetes bukan lagi sekadar gagasan futuristik.
3. Memprediksi respons yang kurang optimal
AI juga dapat digunakan dari arah yang berbeda:
Siapa yang berisiko mendapatkan hasil yang kurang optimal?
Penelitian 2026 dari Tehran Obesity Treatment Study menggunakan berbagai model machine learning dan deep learning untuk memprediksi respons klinis yang kurang optimal satu tahun setelah metabolic bariatric surgery.
Dalam penelitian tersebut, BMI awal, jenis operasi, dan usia termasuk faktor yang paling berpengaruh dalam model. Namun, performa model belum berarti bahwa sistem tersebut sudah siap digunakan sebagai standar klinis di semua rumah sakit.
4. Prediksi komplikasi
AI juga sedang diteliti untuk memperkirakan risiko komplikasi setelah operasi.
Review sistematis 2025 menemukan sejumlah penelitian yang menggunakan AI untuk prediksi komplikasi pascaoperasi bariatrik. Namun, penelitian-penelitian tersebut cukup heterogen dan sebagian besar masih membutuhkan validasi lebih lanjut.
Dengan kata lain, AI berpotensi membantu dokter mengenali pasien yang membutuhkan pemantauan lebih ketat.
Apakah AI dapat menentukan pasien harus operasi atau tidak?
Belum.
Ini merupakan batas penting yang harus dipahami masyarakat.
AI dapat membantu memperkirakan kemungkinan outcome berdasarkan data yang tersedia. Tetapi keputusan terapi tetap harus mempertimbangkan pemeriksaan dokter, kondisi metabolik, penyakit penyerta, status psikologis dan perilaku, risiko operasi, preferensi pasien, serta kemampuan pasien menjalani perawatan jangka panjang.
Pedoman ASMBS/IFSO 2022 menempatkan metabolic and bariatric surgery sebagai terapi berbasis bukti untuk obesitas dan memperluas indikasinya dibandingkan pedoman lama. Pedoman tersebut merekomendasikan operasi untuk BMI ≥35 kg/m² dan menyatakan operasi dapat dipertimbangkan pada BMI 30–34,9 kg/m² dengan penyakit metabolik; untuk populasi Asia, ambang BMI juga disesuaikan.
Jadi, AI bukan pengganti kriteria klinis. AI adalah alat tambahan untuk membantu memahami risiko dan kemungkinan hasil.
Mengapa pendekatan ini penting?
Karena obesitas bukan sekadar masalah berat badan.
American Diabetes Association dalam Standards of Care 2026 menempatkan obesitas sebagai penyakit kronis yang kompleks dan menekankan pendekatan individual. Pada pasien dengan diabetes tipe 2 dan overweight atau obesity, manajemen berat badan merupakan salah satu tujuan utama terapi bersama pengendalian glukosa.
Pilihan terapi dapat mencakup intervensi nutrisi, aktivitas fisik, terapi perilaku, farmakoterapi, dan metabolic surgery.
Karena pilihan tersebut tidak selalu memberikan hasil yang sama pada setiap orang, kemampuan memprediksi respons secara lebih personal berpotensi menjadi sangat berharga.
Lalu, apa manfaat AI bagi pasien?
Inilah bagian yang paling penting.
Pasien tidak harus menunggu sampai AI menjadi sistem sempurna di rumah sakit. Teknologi digital yang tersedia sekarang sudah dapat membantu pasien mengumpulkan, memahami, dan memantau data kesehatan secara lebih terstruktur.
Namun, AI sebaiknya digunakan sebagai alat pendamping, bukan sebagai dokter pribadi.
1. Bangun “data kesehatan pribadi”
Pasien dengan obesitas dapat mulai mencatat secara teratur:
- berat badan;
- tinggi badan;
- lingkar pinggang;
- tekanan darah;
- kadar glukosa bila memang diperiksa;
- HbA1c jika memiliki diabetes;
- obat yang digunakan;
- pola aktivitas fisik;
- pola tidur;
- pola makan;
- perubahan berat badan dari waktu ke waktu;
- serta gejala atau keluhan yang relevan.
Data yang konsisten jauh lebih berguna daripada satu kali pengukuran.
ADA 2026 merekomendasikan pemantauan antropometri secara berkala dan menyebut bahwa pengukuran tambahan komposisi tubuh dapat dipertimbangkan bila tersedia dan sesuai.
2. Gunakan AI untuk memahami data, bukan mendiagnosis sendiri
AI generatif dapat membantu pasien mengorganisasi pertanyaan sebelum konsultasi.
Misalnya pasien dapat memasukkan data yang sudah dimilikinya dan meminta AI membantu membuat:
“Daftar pertanyaan yang perlu saya tanyakan kepada dokter mengenai pilihan terapi obesitas saya.”
Ini jauh lebih aman daripada bertanya:
“Menurut AI saya harus operasi atau tidak?”
AI dapat membantu pasien menjadi lebih siap menghadapi konsultasi, tetapi diagnosis dan keputusan terapi tetap harus dilakukan oleh tenaga kesehatan.
3. Bawa data digital saat berkonsultasi
Pasien sebaiknya tidak hanya datang dengan pertanyaan:
“Dok, saya ingin kurus.”
Lebih informatif jika datang dengan data:
“Berat badan saya selama enam bulan terakhir berubah dari 105 menjadi 101 kg. HbA1c saya sekian. Saya menggunakan obat ini. Aktivitas saya rata-rata sekian. Saya sudah mencoba intervensi ini.”
Data tersebut memberikan dokter gambaran perjalanan pasien.
AI kemudian dapat menjadi bagian dari proses pengolahan data apabila sistem klinis yang digunakan rumah sakit memang tervalidasi.
4. Jangan percaya angka prediksi AI secara mentah
Misalnya sebuah aplikasi mengatakan:
“Peluang remisi diabetes Anda 82%.”
Pertanyaan berikutnya justru harus:
“Model ini dibuat dari data siapa?”
“Apakah sudah divalidasi pada populasi seperti saya?”
“Apa definisi remisi yang digunakan?”
“Berapa lama follow-up-nya?”
“Apakah model ini sudah digunakan secara klinis atau masih penelitian?”
Ini sangat penting karena model AI dapat bekerja sangat baik pada data penelitian tetapi performanya belum tentu sama ketika digunakan pada populasi lain.
Review 2026 mengenai AI dalam bariatric surgery menyoroti bahwa meskipun beberapa model menunjukkan performa prediktif tinggi, external validation dan fairness audit masih terbatas.
5. Jangan mengunggah data kesehatan sensitif sembarangan
AI membutuhkan data. Tetapi data kesehatan adalah data yang sangat sensitif.
Sebelum mengunggah hasil laboratorium, rekam medis, foto tubuh, atau dokumen kesehatan ke layanan AI, pasien sebaiknya memahami:
- siapa pengelola aplikasinya;
- bagaimana data digunakan;
- apakah data disimpan;
- apakah data digunakan untuk melatih model;
- siapa yang dapat mengaksesnya;
- dan bagaimana data dapat dihapus.
AI yang pintar tidak otomatis berarti aman untuk data pasien.
6. Gunakan wearable dan aplikasi secara bijak
Perangkat digital dapat membantu memonitor aktivitas, tidur, denyut jantung, berat badan, atau parameter metabolik tertentu.
ADA 2026 menyatakan bahwa teknologi diabetes perlu dipilih secara individual sesuai kebutuhan, kondisi, preferensi, dan kemampuan pengguna. ADA juga menyebut kombinasi teknologi seperti CGM, insulin pump, aplikasi diabetes, dan coaching virtual berlisensi dapat dipertimbangkan untuk membantu hasil glikemik pada diabetes atau prediabetes.
Tetapi semakin banyak data bukan berarti semakin baik jika pasien tidak tahu bagaimana menggunakannya.
AI tidak menggantikan perubahan perilaku
Ini juga perlu ditegaskan.
Teknologi tidak membuat seseorang otomatis menjadi sehat.
AI dapat membantu membaca pola, tetapi pasien tetap harus menjalani terapi.
ADA 2026 merekomendasikan intervensi nutrisi, aktivitas fisik dan terapi perilaku bagi pasien dengan diabetes dan overweight atau obesity. Penurunan berat badan 5–7% saja sudah dapat memberikan manfaat terhadap kontrol glukosa dan faktor risiko kardiovaskular, sementara penurunan lebih besar umumnya memberikan manfaat yang lebih besar.
Jadi masa depan bukan:
AI menggantikan dokter.
Bukan pula:
AI menggantikan pasien.
Model yang lebih realistis adalah:
Pasien + Data + AI + Dokter + Tim Multidisiplin
Dari “one size fits all” menuju precision obesity care
Inilah perubahan paradigma yang sedang berkembang.
Pendekatan lama:
BMI → diagnosis → terapi
Pendekatan yang semakin berkembang:
Data pasien → fenotipe metabolik → prediksi respons → pilihan terapi → monitoring → prediksi ulang
Dalam model seperti ini, keputusan tidak berhenti ketika pasien menjalani operasi atau mendapatkan obat.
Data pasien terus diperbarui.
Berat badan berubah.
HbA1c berubah.
Obat dapat dikurangi atau ditambah.
Aktivitas berubah.
Pola makan berubah.
Kemudian model dapat digunakan kembali untuk membantu memahami perkembangan pasien.
Dengan kata lain, masa depan AI dalam obesitas bukan hanya “memprediksi hasil operasi.”
Masa depannya adalah continuous personalized care.
Tetapi kita belum sampai pada tahap “AI menentukan terapi”
Ini adalah bagian dari fact check yang sangat penting.
Bukti ilmiah pada 2026 menunjukkan bahwa AI/ML dalam metabolic bariatric surgery berkembang cepat. Review sistematis terbaru menemukan aplikasi AI mulai dari seleksi pasien dan stratifikasi risiko sebelum operasi hingga prediksi komplikasi, pemantauan nutrisi, dan prediksi perjalanan berat badan setelah operasi.
Namun, systematic review lain mengenai model machine learning untuk prediksi penurunan berat badan menemukan masalah berupa risiko bias, heterogenitas dan kekurangan dalam pelaporan metodologi.
Karena itu, kalimat yang tepat bukan:
“AI sudah dapat menentukan keberhasilan operasi bariatrik.”
Melainkan:
“AI telah menunjukkan kemampuan untuk memprediksi beberapa outcome setelah metabolic bariatric surgery, tetapi validasi eksternal dan penerapan klinis yang luas masih diperlukan.”
Perbedaan kalimat ini sangat penting agar informasi kesehatan tidak berubah menjadi klaim teknologi yang berlebihan.
Apa yang sebaiknya dilakukan pasien sekarang?
Pasien dapat memulai dengan lima langkah sederhana:
Pertama, kenali kondisi kesehatan sendiri. Jangan hanya mengetahui berat badan. Pahami BMI, lingkar pinggang, tekanan darah, status gula darah, HbA1c bila relevan, obat yang digunakan, dan penyakit penyerta.
Kedua, kumpulkan data secara konsisten. Data selama beberapa bulan jauh lebih informatif daripada satu angka pada satu hari.
Ketiga, gunakan teknologi untuk monitoring dan edukasi. Aplikasi, wearable, telehealth, atau AI dapat membantu mengorganisasi informasi dan membangun kebiasaan monitoring.
Keempat, gunakan AI untuk menyiapkan konsultasi, bukan menggantikan konsultasi. Mintalah AI membantu membuat daftar pertanyaan, merangkum data kesehatan yang sudah Anda miliki, atau menjelaskan istilah medis dalam bahasa yang lebih mudah dipahami.
Kelima, jika mempertimbangkan obat atau operasi, temui tim medis yang kompeten. AI dapat membantu memperkaya informasi, tetapi keputusan terapi membutuhkan penilaian klinis dan pembahasan risiko-manfaat secara individual.
Kesimpulan
Era baru pengobatan obesitas bukan sekadar tentang teknologi yang dapat menghitung kalori atau membuat chatbot kesehatan.
AI mulai digunakan untuk memahami mengapa respons pasien berbeda-beda, memprediksi kemungkinan penurunan berat badan, memperkirakan risiko respons yang kurang optimal, membantu memprediksi remisi diabetes setelah metabolic bariatric surgery, dan memonitor perjalanan pasien setelah terapi.
Tetapi teknologi ini masih berkembang.
Bagi pasien, manfaat terbesar AI saat ini mungkin bukan mendapatkan “jawaban ajaib” tentang apakah harus minum obat atau menjalani operasi.
Manfaat yang lebih nyata adalah menjadi pasien yang lebih terinformasi dan lebih berbasis data.
Pasien yang mengetahui perjalanan berat badannya, memahami hasil pemeriksaannya, mencatat terapi yang pernah dijalani, memonitor perubahan metaboliknya, dan membawa data tersebut kepada dokter akan berada pada posisi yang jauh lebih baik untuk mengambil keputusan.
Dan ketika AI semakin matang, data pasien yang berkualitas akan menjadi salah satu fondasi penting bagi precision obesity care.
Masa depan terapi obesitas mungkin bukan lagi satu terapi untuk semua orang, tetapi terapi yang semakin disesuaikan dengan karakteristik dan respons setiap pasien.
AI dapat membantu membuka jalan ke arah tersebut—tetapi dokter dan pasien tetap menjadi pengambil keputusan utama.
