Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perkembangan teknologi kecerdasan buatan (AI) dalam beberapa tahun terakhir telah menjadi peluang besar di berbagai sektor, termasuk dalam sektor kesehatan. Salah satu implementasi AI yang menunjukkan potensi signifikan adalah Large Language Models (LLM), yang dapat memahami dan menghasilkan teks. Penelitian ini bertujuan untuk mengembangkan sistem asisten medis virtual berbasis AI dengan mengintegrasikan LLM dan teknik Retrieval-Augmented Generation (RAG). Sistem ini dirancang untuk memberikan informasi medis yang relevan, akurat, dan terkini bagi tenaga medis. Metode penelitian melibatkan pengembangan sistem menggunakan LLM, RAG, dan LangChain, yang kemudian diuji untuk memastikan kinerja dan keandalannya. Evaluasi dilakukan dengan metrik berbasis RAG dan ROUGE, mencakup dimensi seperti faithfulness, context precision, answer relevance, dan context recall. Hasil penelitian menunjukkan bahwa integrasi LLM dan RAG mampu meningkatkan akurasi informasi, relevansi jawaban, dan efisiensi sistem dalam skenario klinis. Sistem ini diharapkan dapat menjadi solusi inovatif untuk mendukung pekerjaan tenaga medis, mempercepat pengambilan keputusan, dan meningkatkan kualitas pelayanan kesehatan.

---

The advancement of artificial intelligence (AI) technology in recent years has created significant opportunities across various sectors, including healthcare. One notable implementation of AI with significant potential is Large Language Models (LLM), which can comprehend and generate text. This study aims to develop an AI-based virtual medical assistant system by integrating LLM and Retrieval-Augmented Generation (RAG) techniques. The system is designed to provide relevant, accurate, and up-to-date medical information for healthcare professionals. The research methodology involves the development of the system using LLM, RAG, and LangChain, followed by performance and reliability testing. Evaluation is conducted using RAG- and ROUGE-based metrics, covering dimensions such as faithfulness, context precision, answer relevance, and context recall. The results demonstrate that integrating LLM and RAG enhances information accuracy, answer relevance, and system efficiency in clinical scenarios. This system is expected to be an innovative solution to support healthcare professionals, expedite decision-making, and improve the quality of healthcare services. "

"Dalam beberapa tahun terakhir, teknologi chatbot telah berkembang secara signifikan, dengan munculnya Large Language Model (LLM) seperti GPT dari OpenAI, Llama dari Meta, dan Gemini dari Google. Penelitian ini mengeksplorasi penerapan chatbot berbasis LLM dalam dunia medis, khususnya untuk membantu dan memantau pasien hemodialisis. Menggunakan kerangka kerja seperti LangChain untuk melakukan prompt engineering, Retrieval Augmented Generation (RAG) untuk meningkatkan pengetahuan domain, dan Chroma sebagai vector database, platform chatbot berbasis web dikembangkan. Pendekatan ReAct dan chain-of-thought (CoT) diterapkan untuk membuat sistem berbasis agen. Evaluasi kuantitatif dari penelitian ini akan menggunakan ROUGE, BLEU, dan SAS untuk sistem chatbot, dan MAP@3, dan MRR@3 digunakan untuk sistem RAG, bersama dengan penilaian kualitatif oleh ahli di bidang hemodialisis. Secara keseluruhan, evaluasi kualitatif dan kuantitatif untuk setiap sistem menerima umpan balik positif berdasarkan penilaian ahli dan hasil dari setiap metrik, yang menunjukkan bahwa kedua sistem berkinerja baik dalam menghasilkan tanggapan yang selaras dengan tujuan penelitian ini, yaitu memberikan tanggapan yang akurat dan membantu dalam memantau pasien. Dari sisi sistem, kemampuan chatbot dan sistem RAG dalam memahami konteks percakapan dan memberikan tanggapan yang lebih relevan dan informatif, menggunakan pendekatan berbasis agen yang ditingkatkan oleh RAG, memberikan keuntungan yang signifikan. Prompt yang kami gunakan, ReAct dan CoT, memungkinkan agen berbasis LLM untuk berpikir lebih efektif, membuat keputusan yang tepat, dan mensimulasikan proses berpikir yang lebih terstruktur dan logis. Dengan memanfaatkan peningkatan ini, chatbot juga dapat menghasilkan pesan urgensi medis untuk memperingatkan tim medis yang terhubung ke platform. Hal ini memungkinkan mereka untuk merespons keadaan darurat ketika pasien melaporkan gejala yang membutuhkan perawatan lebih lanjut di rumah sakit. Penelitian ini telah menunjukkan bahwa LLM dapat digunakan secara efektif sebagai chatbot di bidang kesehatan, khususnya untuk memantau pasien hemodialisis.

---

In recent years, chatbot technology has advanced significantly, with the rise of Large Language Models (LLMs) such as OpenAI’s GPT, Meta’s Llama, and Google’s Gemini. This research explores the application of LLM-based chatbots in healthcare, specifically for assisting and monitoring hemodialysis patients. Using frameworks like LangChain for prompt engineering, Retrieval Augmented Generation (RAG) for enhanced domain knowledge, and Chroma as a vector database, a web-based chatbot platform was developed. The ReAct and chain-of-thought (CoT) approaches were applied to create an agent-based system. The quantitative evaluation of this research will use ROUGE, BLEU, and SAS for the chatbot system, and MAP@3, and MRR@3 were used for the RAG systems, along with qualitative expert assessments. Overall, the qualitative and quantitative evaluations for each system received positive feedback based on expert judgment and the results of each metrics, indicating that both systems performed well in generating responses aligned with the goals of this research, which are to provide accurate responses and assist in monitoring patients. On the system side, the chatbot and RAG system’s ability to understand conversational context and provide more relevant and informative responses, using agent-based approaches enhanced by RAG, offers a clear advantage. The prompts we are using, ReAct and CoT, enable the agent-based LLM to think more effectively, make appropriate decisions, and simulate a more structured and logical thought process. By utilizing these enhancements, the chatbot can also generate medical urgency message to alert medical teams connected to the platform. This allows them to respond to emergencies when patients report symptoms that require further care at a hospital. This research has demonstrated that LLMs can be effectively utilized as chatbots in the healthcare field, specifically for monitoring hemodialysis patients."

"Dalam beberapa tahun terakhir, teknologi chatbot telah berkembang secara signifikan, dengan munculnya Large Language Model (LLM) seperti GPT dari OpenAI, Llama dari Meta, dan Gemini dari Google. Penelitian ini mengeksplorasi penerapan chatbot berbasis LLM dalam dunia medis, khususnya untuk membantu dan memantau pasien hemodialisis. Menggunakan kerangka kerja seperti LangChain untuk melakukan prompt engineering, Retrieval Augmented Generation (RAG) untuk meningkatkan pengetahuan domain, dan Chroma sebagai vector database, platform chatbot berbasis web dikembangkan. Pendekatan ReAct dan chain-of-thought (CoT) diterapkan untuk membuat sistem berbasis agen. Evaluasi kuantitatif dari penelitian ini akan menggunakan ROUGE, BLEU, dan SAS untuk sistem chatbot, dan MAP@3, dan MRR@3 digunakan untuk sistem RAG, bersama dengan penilaian kualitatif oleh ahli di bidang hemodialisis. Secara keseluruhan, evaluasi kualitatif dan kuantitatif untuk setiap sistem menerima umpan balik positif berdasarkan penilaian ahli dan hasil dari setiap metrik, yang menunjukkan bahwa kedua sistem berkinerja baik dalam menghasilkan tanggapan yang selaras dengan tujuan penelitian ini, yaitu memberikan tanggapan yang akurat dan membantu dalam memantau pasien. Dari sisi sistem, kemampuan chatbot dan sistem RAG dalam memahami konteks percakapan dan memberikan tanggapan yang lebih relevan dan informatif, menggunakan pendekatan berbasis agen yang ditingkatkan oleh RAG, memberikan keuntungan yang signifikan. Prompt yang kami gunakan, ReAct dan CoT, memungkinkan agen berbasis LLM untuk berpikir lebih efektif, membuat keputusan yang tepat, dan mensimulasikan proses berpikir yang lebih terstruktur dan logis. Dengan memanfaatkan peningkatan ini, chatbot juga dapat menghasilkan pesan urgensi medis untuk memperingatkan tim medis yang terhubung ke platform. Hal ini memungkinkan mereka untuk merespons keadaan darurat ketika pasien melaporkan gejala yang membutuhkan perawatan lebih lanjut di rumah sakit. Penelitian ini telah menunjukkan bahwa LLM dapat digunakan secara efektif sebagai chatbot di bidang kesehatan, khususnya untuk memantau pasien hemodialisis.

---

In recent years, chatbot technology has advanced significantly, with the rise of Large Language Models (LLMs) such as OpenAI’s GPT, Meta’s Llama, and Google’s Gemini. This research explores the application of LLM-based chatbots in healthcare, specifically for assisting and monitoring hemodialysis patients. Using frameworks like LangChain for prompt engineering, Retrieval Augmented Generation (RAG) for enhanced domain knowledge, and Chroma as a vector database, a web-based chatbot platform was developed. The ReAct and chain-of-thought (CoT) approaches were applied to create an agent-based system. The quantitative evaluation of this research will use ROUGE, BLEU, and SAS for the chatbot system, and MAP@3, and MRR@3 were used for the RAG systems, along with qualitative expert assessments. Overall, the qualitative and quantitative evaluations for each system received positive feedback based on expert judgment and the results of each metrics, indicating that both systems performed well in generating responses aligned with the goals of this research, which are to provide accurate responses and assist in monitoring patients. On the system side, the chatbot and RAG system’s ability to understand conversational context and provide more relevant and informative responses, using agent-based approaches enhanced by RAG, offers a clear advantage. The prompts we are using, ReAct and CoT, enable the agent-based LLM to think more effectively, make appropriate decisions, and simulate a more structured and logical thought process. By utilizing these enhancements, the chatbot can also generate medical urgency message to alert medical teams connected to the platform. This allows them to respond to emergencies when patients report symptoms that require further care at a hospital. This research has demonstrated that LLMs can be effectively utilized as chatbots in the healthcare field, specifically for monitoring hemodialysis patients."

"Penelitian ini menyelidiki integrasi Unreal Engine 5 dengan teknologi AI canggih, OpenAI dan ElevenLabs, untuk meningkatkan interaksi manusia-komputer melalui pembuatan gerakan berbasis aturan pada agen virtual. Penggunaan Unreal Engine 5 memungkinkan penciptaan lingkungan virtual beresolusi tinggi, yang sangat penting untuk interaksi agen yang realistis. Pengembangan sistem berbasis aturan sederhana yang mensintesis gerakan berdasarkan aturan yang telah ditentukan yang selaras dengan input yang diucapkan, dinilai dengan model lainnya. Sebuah studi komparatif, yang terinspirasi oleh Tantangan GENEA 2022, dilakukan untuk menilai efektivitas sistem yang diusulkan. Studi ini melibatkan studi pengguna di mana para partisipan menilai kemiripan manusia dan kesesuaian gerakan yang dihasilkan oleh sistem dengan model berbasis aturan, sistem model acak, model ground truth, dan model idle. Studi ini menggunakan model agen virtual yang sama untuk memastikan kondisi visual dan auditori yang konsisten di semua skenario pengujian. Temuan ini menunjukkan bahwa pembuatan gerakan berbasis aturan secara signifikan meningkatkan kealamian dan kontekstualitas interaksi agen virtual dibandingkan dengan 3 metode generasi gerakan lainnya. Hal ini mendukung potensi pendekatan terstruktur dalam menghasilkan interaksi yang lebih menarik dan realistis dalam lingkungan virtual. Penelitian ini diharapkan dapat memberikan kontribusi pada bidang desain agen virtual, dengan menekankan pentingnya mengintegrasikan teknik-teknik berbasis AI yang canggih untuk meningkatkan kualitas interaksi manusia-komputer.

---

This research investigates the integration of Unreal Engine 5 with advanced AI technologies, OpenAI and ElevenLabs, to enhance human-computer interaction through rule-based gesture generation on a virtual agent. Employing Unreal Engine 5 enables the creation of high-fidelity virtual environments, crucial for realistic agent interactions. The development of a simple rule-based system that synthesizes gestures based on predefined rules aligned with spoken inputs, is assessed against different models. A comparative study, inspired by the GENEA Challenge 2022, was conducted to evaluate the effectiveness of the proposed system. This involved a user study where participants rated the human likeness and appropriateness of gestures generated by rule-based, randomized systems, ground truth, and idle. The study utilized the same virtual agent model to ensure consistent visual and auditory conditions across all test scenarios. The findings demonstrated that rule-based gesture generation significantly enhances the perceived naturalness and contextuality of virtual agent interactions compared to the other 3 methods of gesture generation. This supports the potential of structured approaches in producing more engaging and realistic interactions in virtual environments. The research hopes to contribute to the field of virtual agent design, emphasizing the importance of integrating sophisticated AI-driven techniques to improve the quality of human-computer interaction."

"Teknologi Artificial Intelligence (AI) telah memasuki kehidupan masyarakat, termasuk di dunia medis. Keterlibatan AI dalam pelayanan medis menimbulkan kekhawatiran mengenai timbulnya kesalahan medis yang merugikan pasien (berupa luka atau kematian). Hal ini dikarenakan tingkat akurasi AI tidak mungkin dapat dinyatakan 100% oleh penciptanya. Berdasarkan kekhawatiran tersebut, Penulis mengeksplorasi pertanggungjawaban pidana dari pihak-pihak yang terlibat atas tindakan yang menyebabkan kesalahan medis yang menimbulkan kerugian pasien. Metode penelitian hukum doktrinal digunakan untuk memecahkan permasalahan penelitian ini. Penulis menitikberatkan teori pertanggungjawaban pidana model The Natural Probable Consequence Liability Model yang digagas oleh Gabriel Hallevy sebagai pisau analisis. Hasil yang ditemukan adalah dokter dapat dimintakan pertanggungjawaban pidana atas kelalaiannya dalam menentukan pengimplikasian output yang diberikan oleh AI, yang statusnya saat ini sebagai alat kesehatan atau teknologi kesehatan, bukan subjek hukum. Selain itu, rumah sakit menjadi pun turut menjadi pihak yang dapat dimintakan pertanggungjawaban pidana atas kelalaian yang dilakukan dokter, atau setidak-tidaknya karena lalai dalam menentukan dokter yang layak dipekerjakan di rumah sakit tersebut, atau atas kelalaian rumah sakit tersebut dalam melakukan pemeliharaan AI. Baik dokter secara pribadi maupun rumah sakit bertanggung jawab berdasarkan ketentuan Pasal 359 KUHP 1946, Pasal 360 KUHP 1946, Pasal 474 KUHP 2023, atau Pasal 440 ayat (1) dan (2) UU 17/2023. Di sisi lain, software developer dapat dimintakan pertanggungjawaban pidana hanya jika dapat dibuktikan software developer tersebut melakukan kekeliruan dalam memasukan data yang digunakan untuk melatih AI atau ketika penentuan algoritma. Indonesia belum memiliki aturan pidana yang secara khusus mengatur mengenai hal ini. Hukum pidana harus responsif terhadap situasi ini demi melindungi pasien dan dokter. Aturan pidana tersebut harus mengatur batasan-batasan penggunaan AI di dunia medis, informed consent khusus untuk tindakan medis yang melibatkan AI, jaminan kerahasiaan rekam medis, dan standar AI yang layak untuk digunakan dalam pelayanan medis. Akan tetapi, perlu diingat bahwa penggunaan hukum pidana harus tetap diterapkan secara ultimum remedium.

---

Artificial Intelligence (AI) has entered the daily life in society, include in medical industry. The integration of AI in medical services raises concern about possibility of medical errors resulting harm to patients (injury or death). This is because there is no body can guarantee that AI will always be 100% accurate, even the software developer. Based on these background, the Author explores the criminal responsibility of doctor, hospital, and software developer who involve in activities that bring out medical blunders that cause injury or death to patients. Doctrinal legal research methods is used to analyze the problem of the study. The author analyze the problem by using Theory of The Natural Probable Consequence Liability Model that proposed by Gabriel Hallevy as an analytical tool. The findings are doctor could be held criminaly liable for negligence in determining the implimentation of the outputs of AI, which is currently defined as health technology or medical devices rather than a legal subject. Hospital can also held liable for the doctor’s negligence during do the medical service, or at least for being negligent in selecting qualified doctors to work at there, or for hospital’s negligence in maintaining the AI. Article 359 of Criminal Code 1946, Article 360 of Criminal Code 1946, Article 474 of the Criminal Code 2023, or Article 440 paragraph (1) and (2) of Law 17/2023 holds hospital and doctor for these mistakes. In other hand, software developer could only be held criminally liable if it can be proven that software developer did mistake in inputing the data that used to train AI or in deciding algorithms for AI. There are no criminal law that restricts AI usage in the medical industry. Criminal law needs to adapt to this situation in order to protect the doctor and patients. Criminal law should including guidelines for AI that is qualified for use in medical services, impose limits on AI application in the area of medical services, confidentiality of medical records guarantee, and require specific informed consent for any medical services that using AI. It should be noticed that criminal law usage for resolving this case must be applied as the last resort (ultimum remedium)."

"Kecerdasan Artifisial merupakan salah satu perkembangan teknologi yang mulai dimanfaatkan dan diterpakan dalam berbagai industri, salah satunya adalah Industri Medis. Teknologi menjadi salah satu hal yang sangat dibutuhkan untuk membantu meringankan beban dokter dan juga tenaga medis lainnya dalam menangani pasien. Saat ini pemanfaatan Kecerdasan Artifisial dalam Industri Medis sudah mulai berkembang, sehingga membantu meringankan pekerjaan para tenaga kesehatan dan juga dokter dalam melakukan diagnosis, membentuk citra radiologi, dan juga memprediksi pelayanan kesehatan terbaik untuk pasien. Saat ini, Indonesia tidak memiliki peraturan perundang-undangan yang mengatur mengenai Kecerdasan Artifisial secara khusus, namun terdapat peraturan perundang-undangan yang dapat diterapkan terhadap pemanfaatan Kecerdasan Artifisial dalam Industri Medis. Dengan demikian, perlu dilakukan penelitian lebih lanjut mengenai peraturan yang dapat diterapkan terhadap penyelenggaraan pemanfaatan Kecerdasan Artifisial dalam Industri Medis, dan kewajiban apa yang harus dipenuhi oleh para pihak dalam menyelenggarakan Kecerdasan Artifisial dalam Industri Medis. Penelitian ini menggunakan metode pendekatan yuridis normatif, dan melakukan penelusuran serta perbandingan dengan best practice yang diterapkan oleh Uni Eropa. Berdasarkan penelitian ini, ditemukan bahwa karakteristik dan cara kerja AI dalam industri medis menentukan kedudukan hukum AI, yang dimana AI dapat disamakan seperti Sistem Elektronik, Teknologi, dan Alat Kesehatan. AI sebagai Sistem Elektronik diselenggarakan oleh Penyelenggara Sistem Elektronik yang harus tunduk kepada kewajiban penyelenggaraan yang tertera pada peraturan perundang-undangan yang ada. Selain itu, Uni Eropa menyamakan AI sebagai Alat Kesehatan dalam Industri Medis yang tunduk pada Medical Device Regulation. Merujuk pada Uni Eropa, Indonesia juga dapat menyamakan AI sebagai Alat Kesehatan dan tunduk pada kewajiban Izin Edar yang tertera peraturan perundang-undangan yang ada.

---

Artificial intelligence (AI) is one of the technological developments that has begun to be utilized and applied in various industries, lncuding the medical industry. Therefore, technology has helped ease the burden on doctors and other medical professionals in treating their patients. The use of Artificial Intelligence in the medical industry has currently risen, and has helped healthcare workers and doctors alike in making diagnoses, forming radiological images, and also predicting the best healthcare services for patients. Currently, Indonesia does not have laws and regulations that specifically regulate Artificial Intelligence, but there are laws and regulations that can be applied to the use of Artificial Intelligence in the medical industry. Thus, it is necessary to carry out further research regarding the regulations that can be applied to the implementation of the use of Artificial Intelligence in the Medical Industry, and what obligations must be fulfilled by the parties in implementing Artificial Intelligence in the Medical Industry. This study uses a normative juridical approach, and conducts searches and comparisons with best practices implemented by the European Union. Based on this research, it was found that the characteristics and workings of AI in the medical industry determine an AI’s legal standing, where AI can be equated with Electronic Systems, Technology, and Medical Devices. AI as an Electronic System is administered by Electronic System Operators who must comply with the implementation obligations stated in the existing laws and regulations. In addition, the European Union equates AI as a Medical Device in the Medical Industry which is subject to the Medical Device Regulation. Referring to the European Union, Indonesia can also equate AI with Medical Devices and is subject to the distribution permit obligations stated in existing laws and regulations."

"Diabetes melitus tipe 2 (DMT2) merupakan salah satu tipe diabetes yang telah menjadi permasalahan besar dalam dunia kesehatan. Salah satu pengobatan DMT2 yang mendegrasi enzim glukagon dan meningkatkan sekresi insulin adalah inhibitor Dipeptidil Peptidase-IV (DPP-IV).  Inhibitor DPP-IV yang sudah digunakan memiliki efek samping yang bahaya, seperti pankreatitis akut, arthalagia, dan gagal jantung. Pada penelitian ini, dilakukan pengembangan model Virtual Screening (VS) menggunakan teknologi Artificial Intelligence (AI) untuk identifikasi inhibitor DPP-IV yang berpotensi. Pengembangan model VS dilakukan menggunakan konsep machine learning (ML) dan deep learning (DL). Pada penelitian ini, dilakukan 18 pengembangan model ML dan 8 model DL. Model VS DPP-IV yang optimal merupakan DNN dengan fitur Fingerprint dengan nilai parameter statistik lebih tinggi dari threshold VS optimal yaitu 0,85, dengan akurasi 0,91554, presisi 0,90815, sensitivitas 0,92319, selektivitas 0,90801, dan nilai F1 0,9156. Hyperparameter optimal model VS adalah tiga layer dengan jumlah neuron 2.000, 1.000, 100; nilai dropout 0; ukuran batch size 256; jumlah epoch 100; kecepatan learning rate 0,0001; dan tipe activation function merupakan RELU. Model VS DPP-IV dilakukan ujicoba terhadap database bindingDB dan didapat 24 ligan potensi. Berdasarkan perbandingan nilai binding affinity 24 ligan potensi terhadap ligan inhibitor DPP-IV menggunakan penambatan molekular, didapat satu ligan potensi berinteraksi dengan situs aktif S2 dan tujuh ligan potensi berinteraksi dengan situs aktif S3. Ligan tersebut memiliki nilai binding affinity lebih rendah dari ligan inhibitor DPP-IV yang FDA-approved dan lebih rendah dari -8 kcal/mol. Hasil ini menunjukkan bahwa model VS DPP-IV menggunakan AI dapat menjadi metode virtual screening dalam identifikasi inhibitor DPP-IV yang baru.

---

Diabetes mellitus type 2 (DMT2) is one of diabetes type that has been causing problems in the health sector. One of the DMT2 medications that can degrade glucagon enzyme and increase insulin secretion is a Dipeptydil Peptidase-IV (DPP-IV) inhibitor. However, DPP-IV inhibitor drugs result in unexpected side effects such as acute pancreatitis, arthralgia, and heart failure. This research developed a virtual screening (VS) model using Artificial Intelligence (AI) to identify potential DPP-IV inhibitors. VS models that were developed were 18 ML models and 8 DL models. DNN with fingerprint features was the VS model best optimal with statistical parameters that exceeds the optimum VS threshold value, which is 0,85, with accuracy 0,91554, precision 0,90815, sensitivity 0,92319, selectivity 0,90801, and F1 score 0,9156. Optimum VS model hyperparameter used a three-layered neuron with the neuron amount of each layer were 2000, 1000, and 100; zero dropout, 256 batch size, 100 epochs, learning rate 0,0001 with RELU as activation function. DPP-IV VS model was used to predict potential ligands using bindingDB and showed 24 ligands with an AI confidence level above 0.98. Based on the binding affinity comparison with DPP-IV inhibitors by molecular docking, it resulted one ligand interacting with active site S2 and seven ligands interacting with active site S3. These ligands had lower binding affinity value compared to FDA-approved DPP-IV inhibitor by docking. The result of this research showed that the DPP-IV VS model using AI could be a new VS model in identifying new DPP-IV inhibitors."