Peneliti padukan ontologi medis dan banyak agen AI untuk diagnosis banding

Sebuah pracetak di arXiv memperkenalkan kerangka diagnosis banding yang memadukan ontologi medis dengan beberapa agen kecerdasan buatan (AI). Menurut abstraknya, tujuannya membuat penalaran model bahasa dalam menentukan kemungkinan diagnosis lebih terstruktur dan bisa diaudit. Makalah ini ditulis Roxana Ramona Szomiu dan dua penulis lain; versi pertamanya diajukan pada 26 Oktober 2026 (UTC).

Diagnosis banding adalah proses dokter menimbang beberapa kemungkinan penyakit yang cocok dengan gejala pasien. Menurut abstrak, kualitas proses ini bergantung pada deskripsi kasus yang lengkap dan tidak ambigu. Informasi yang kurang atau kabur mudah memicu kesalahan diagnosis dan penalaran yang tidak konsisten.

Masalah yang diangkat

Abstrak juga menyoroti persoalan pada model bahasa besar (large language model, LLM). Model ini kerap berprestasi baik pada tolok ukur tanya-jawab medis. Namun, menurut penulis, kemampuan itu sering bertumpu pada pengenalan pola dari data latih, bukan pada bukti klinis.

Akibatnya, model bisa menghasilkan kesimpulan yang terdengar masuk akal tetapi tidak didukung bukti. Penalarannya pun sulit dinilai oleh klinisi, kata abstrak tersebut.

Dalam konteks ini, ontologi berarti basis pengetahuan terstruktur yang mendefinisikan konsep medis dan hubungan antarkonsepnya, misalnya antara gejala dan penyakit. Menurut penulis, landasan ini membatasi kesimpulan agar hanya bersandar pada asosiasi yang didukung bukti, sehingga mengurangi halusinasi (jawaban yang tampak meyakinkan tetapi tidak berdasar).

Cara kerja yang diusulkan

Kerangka yang diajukan, menurut abstrak, meniru proses berulang yang dilakukan dokter. Diagnosis dipecah menjadi langkah penalaran yang eksplisit dan dapat diaudit, dengan landasan basis pengetahuan medis yang dikurasi pakar.

Sistem juga mengidentifikasi gejala yang belum tercatat tetapi paling membedakan antarkemungkinan diagnosis. Setelah itu, sistem menyusun pertanyaan lanjutan yang terarah untuk mengurangi ketidakpastian, dengan proses yang menurut penulis mencerminkan cara dokter menggali informasi dari pasien.

Abstrak tidak merinci peran setiap agen secara terpisah, sehingga pembagian tugas antaragen belum bisa dijelaskan lebih jauh. Pembaca yang ingin tahu detail arsitektur perlu membuka makalah lengkap.

Hasil dan angka

Abstrak yang tersedia tidak memuat angka evaluasi, nama tolok ukur, maupun perbandingan kuantitatif. Penulis menyatakan bahwa komponen-komponen tersebut bersama-sama meningkatkan keandalan, keterjelasan, dan akurasi diagnosis banding berbantuan AI. Itu merupakan klaim penulis yang belum dapat diverifikasi dari bahan yang ada.

Abstrak juga menyebut kode sumber tersedia secara publik.

Status dan batasan

Makalah ini berstatus pracetak (preprint) di arXiv dan belum ditelaah sejawat. Abstrak tidak menyebut batasan penelitian secara eksplisit, dan teks yang tersedia tidak memuat bagian metode maupun hasil secara utuh. Karena itu, klaim ketepatan dan keandalannya belum dapat dinilai.

Abstrak juga tidak menyatakan kesiapan klinis. Penggunaan di rumah sakit atau layanan pasien tidak termasuk dalam klaimnya, dan bahan yang tersedia tidak mendukung kesimpulan semacam itu.

Apa berikutnya

Langkah wajar berikutnya adalah membaca teks lengkap, memeriksa set data dan tolok ukur yang dipakai, serta menunggu tinjauan sejawat atau replikasi dari pihak lain. Kode yang disebut tersedia publik dapat menjadi titik awal bagi peneliti yang ingin menelaah implementasinya.