NEXXLAB.ID-Radiologi digital telah mengalami revolusi transformatif dalam dekade terakhir, didorong oleh integrasi Picture Archiving and Communication System (PACS), kecerdasan buatan (AI), dan platform enterprise imaging. Transformasi ini tidak hanya mengubah cara citra medis disimpan dan diakses, tetapi juga fundamental dalam meningkatkan akurasi diagnosis, efisiensi alur kerja, dan hasil akhir pasien.
PACS memungkinkan gambar radiologi seperti X-ray, CT scan, dan MRI untuk disimpan, diakses, dan dibagikan secara digital, menghilangkan kebutuhan akan film fisik. Sistem ini juga mengurangi waktu tunggu bagi dokter dan pasien untuk mengakses gambar radiologi, dengan statistik awal menunjukkan bahwa lebih dari 98% gambar dapat diambil dalam waktu 10 menit setelah pemeriksaan selesai. Integrasi RIS/PACS telah menunjukkan manfaat alur kerja yang signifikan, termasuk pengurangan langkah pemeriksaan, penurunan kesalahan, dan peningkatan produktivitas.
Integrasi AI ke dalam praktik radiologi menciptakan peluang signifikan untuk meningkatkan akurasi diagnosis dan efisiensi alur kerja. Penelitian oleh Chen et al. (2025) mengusulkan kerangka kerja yang secara otomatis memantau gambar DICOM yang masuk dari PACS, menerapkan multiple AI models, dan menyimpan anotasi yang dihasilkan dalam format DICOM standar (GSPS, SEG, RTSS). Kerangka kerja ini memanfaatkan AI Worklist Manager untuk menjadwalkan dan melacak tugas AI, memastikan kolaborasi yang mulus di berbagai modalitas tanpa mengganggu alur kerja radiologi yang ada. Sistem ini berhasil mendeploy model untuk (1) perdarahan serebral, (2) segmentasi tumor otak, (3) penilaian sendi tangan, dan (4) analisis payudara, dengan hasil AI yang langsung tersedia di viewer PACS, mengurangi beban klinis radiolog dan mempercepat diagnosis.
Datta dan kolega (2025) menguji sistem AI-PACS terintegrasi selama dua bulan pada 1.000 kasus pencitraan dada (700 X-ray dan 300 CT). Arsitektur integrasi mencakup mesin orkestrasi AI untuk manajemen model, sistem routing DICOM untuk transfer gambar, dan plugin PACS ringan. Rata-rata waktu pemrosesan end-to-end, termasuk inferensi AI dan pengiriman ke PACS, adalah 1 ± 0,15 menit per X-ray dada dan 2 ± 0,3 menit per CT dada. Umpan balik awal dari radiolog menunjukkan peningkatan triase temuan kritis seperti pneumothorax dan tuberkulosis.
Dalam konteks diagnosis klinis, sebuah meta-analisis yang melibatkan sekitar 12.000 foto rontgen dada menunjukkan bahwa algoritma AI mencapai sensitivitas 88% dan spesifisitas 90% untuk deteksi pneumonia—kinerja yang sebanding dengan radiolog manusia. Untuk deteksi nodul paru, AI mencapai sensitivitas sekitar 72% dan spesifisitas 95%. Yang lebih penting, penggunaan AI sebagai second reader meningkatkan kinerja radiolog, dengan peningkatan sensitivitas sekitar 9-10 poin persentase. Ini menegaskan bahwa AI tidak menggantikan radiolog, tetapi memperkuat kemampuan mereka dalam mendeteksi kelainan yang mungkin terlewatkan.
Perkembangan terbaru juga menunjukkan munculnya PACS viewer yang dilengkapi dengan kecerdasan buatan tertanam dan alat visualisasi 3D native. Philips, misalnya, meluncurkan viewer diagnostik generasi berikutnya yang menawarkan kemampuan radiologi penuh, antarmuka dengan AI, dan modul pelaporan interaktif untuk menyederhanakan alur kerja. Viewer ini menggabungkan kedalaman klinis, mobilitas, dan skalabilitas, memungkinkan radiolog bekerja lebih cerdas, lebih cepat, dan lebih kolaboratif.
Tantangan utama dalam adopsi AI di radiologi adalah integrasi algoritma secara langsung ke dalam PACS klinis. Namun, kemajuan dalam infrastruktur PACS yang dilengkapi API aman dan jalur data kini memungkinkan rumah sakit untuk mengintegrasikan algoritma AI pihak ketiga tanpa membangun kembali fondasi pencitraan mereka. Dengan mematuhi standar IHE dan DICOM, kerangka kerja ini memastikan pertukaran data yang robust, traceability penuh, dan perubahan minimal pada proses klinis yang sudah ada.
Ke depan, AI diprediksi akan memainkan peran yang semakin penting dalam radiologi dengan memperkuat kemampuan radiolog dan meningkatkan efisiensi diagnosis. Kolaborasi manusia-mesin inilah yang akan mendefinisikan ulang layanan radiologi masa depan—di mana AI bertindak sebagai asisten cerdas yang menyoroti kelainan potensial, membandingkan gambar dengan riwayat pasien, dan membantu radiolog membuat keputusan yang lebih cepat dan lebih akurat.
📚 Sumber:
- Chen, J.J., Sun, Y.C., Lien, C.Y., Hong, J.S., You, W.C., Chen, H.C., & Wu, Y.T. (2025). Real-Time and Continuous AI Inference Workflow with PACS Integration. Proceedings of the 2025 International Conference on Advanced Machine Learning and Data Science (AMLDS 2025), pp. 461-465. IEEE. https://doi.org/10.1109/AMLDS.2025.00123
- Datta, S., et al. (2025). Integrated AI-PACS lightens chest imaging load. RSNA 2025 Imaging Informatics Presentation. https://rsna2025.abstracts.com/integrated-ai-pacs
- A narrative review of the benefits of RIS/PACS and its integration into the radiology departments of low and middle-income countries. Radiography, 31(6), 103185 (2025). https://doi.org/10.1016/j.radi.2025.103185
- HRPB Adopts PACS For Digital Radiology Storage, Boosts Healthcare Efficiency. Bernama, 2025. https://www.bernama.com/en/news/2025/06/27/hypersurf-pacs-rollout
- Philips launches next-generation web-based diagnostic viewer for fast, secure imaging data access anywhere. Philips, 2025. https://www.philips.com/news-center/2025/11/philips-launches-next-generation-diagnostic-viewer
