Orang biasanya sadar kartu kredit sensitif.
Password sensitif.
OTP sensitif.
Tapi saat bicara AI, banyak orang tiba-tiba sangat santai terhadap data kesehatan.
Upload hasil lab.
Upload foto resep.
Copy seluruh medical record.
Tulis nama lengkap dan tanggal lahir.
Kirim screenshot aplikasi rumah sakit.
Semua demi pertanyaan sederhana:
“Ini artinya apa?”
Problem-nya bukan AI tidak boleh dipakai untuk membantu memahami kesehatan.
Problem-nya adalah data kesehatan punya konsekuensi sangat berbeda dari data biasa.
Kalau caption Instagram bocor, annoying.
Kalau riwayat kesehatan bocor, impact bisa jauh lebih dalam dan tahan lama.
Data kesehatan bukan sekadar informasi
Data kesehatan bisa mengungkap:
kondisi fisik, kesehatan mental, pengobatan, riwayat operasi, kehamilan, genetik, disabilitas, hasil laboratorium, kebiasaan tertentu, dan banyak hal lain yang sangat personal.
Di Indonesia, Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi secara eksplisit mengategorikan data dan informasi kesehatan sebagai data pribadi spesifik.
Kategori ini masuk akal karena misuse bisa membawa dampak lebih besar.
Discrimination.
Stigma.
Fraud.
Blackmail.
Social harm.
Employment issue.
Insurance concern.
Family conflict.
Tidak semua consequence pasti terjadi.
Tapi risk surface besar.
Karena itu default posture seharusnya hati-hati.
Chat terasa private, tapi tetap digital system
Ini psychological trap.
Chat interface terasa seperti ngobrol satu lawan satu.
Bubble kecil.
Bahasa casual.
Tidak terasa seperti mengirim data ke sistem cloud.
User bisa lupa bahwa mereka tetap sedang memasukkan informasi ke layanan digital dengan architecture, policy, retention, access control, dan processing tertentu.
Setiap platform berbeda.
Ada enterprise setup.
Ada consumer setup.
Ada on-device tool.
Ada cloud API.
Tidak bisa digeneralisasi.
User harus cek bagaimana data diproses.
Rumah sakit harus jauh lebih ketat.
Jangan menganggap semua “AI” punya privacy posture sama.
Nama tool sama pun bisa punya mode penggunaan berbeda.
Data minimization adalah prinsip paling praktis
Kalau butuh menjelaskan satu angka lab, jangan upload seluruh dokumen kalau tidak perlu.
Kalau butuh translate istilah radiologi, mungkin cukup copy bagian yang relevan setelah identitas dihapus.
Kalau bertanya soal medication interaction secara umum, tidak perlu memberi nomor rekam medis.
Prinsipnya:
masukkan data paling sedikit yang cukup untuk task.
Ini data minimization.
Bukan berarti selalu nol risk.
Tapi mengurangi exposure.
Contoh sederhana.
Sebuah report punya nama, tanggal lahir, alamat, barcode, hospital ID, doctor name, diagnosis, dan result.
User cuma ingin tahu arti “reference range”.
Mengirim seluruh PDF adalah over-sharing.
Crop.
Redact.
Atau tanya tanpa file.
Security hygiene sering lebih powerful daripada fitur canggih.
Hospital punya standar jauh lebih tinggi
Dokter atau staf rumah sakit tidak boleh memakai public chatbot sembarangan dengan patient data hanya karena lebih cepat.
Institution perlu policy.
Tool approved.
Data processing agreement.
Access control.
Logging.
Retention rule.
Vendor assessment.
Security.
Consent atau legal basis sesuai konteks.
Role-based access.
Incident response.
Semua bukan bureaucracy random.
Healthcare punya confidentiality obligation.
AI menambah vendor dan processing layer.
Risk perlu dipetakan.
WHO guidance tentang AI kesehatan konsisten menempatkan data governance, privacy, accountability, dan safety sebagai area penting.
Tidak cukup bilang:
“Model kami pintar.”
Pertanyaan institution adalah:
“Data pergi ke mana?”
“Siapa bisa akses?”
“Disimpan berapa lama?”
“Dipakai untuk training atau tidak?”
“Subprocessor siapa?”
“Bisa dihapus?”
“Bagaimana breach ditangani?”
AI governance dimulai dari pertanyaan boring ini.
Healthcare worker juga perlu policy sederhana
Tidak semua rumah sakit punya AI office besar.
Tapi rule minimal bisa jelas.
Data pasien tidak boleh dimasukkan ke tool yang belum approved.
Dokumen harus di-deidentify kalau use case memang memungkinkan.
Output AI tidak menjadi bagian clinical record tanpa review.
Sensitive task punya escalation.
Access sesuai role.
Staff training.
Banyak breach tidak terjadi karena hacker super canggih.
Terjadi karena copy-paste.
Wrong recipient.
Public share link.
Screenshot.
Personal account.
AI adoption menambah jalur copy-paste baru.
Human behaviour tetap central.
De-identification bukan magic
Menghapus nama membantu.
Tapi health data bisa tetap identifiable jika kombinasi detail cukup unik.
Usia.
Tanggal layanan.
Lokasi.
Diagnosis langka.
Procedure.
Employer.
Timeline.
Semua bisa membuat re-identification mungkin.
Jadi jangan terlalu percaya:
“Namanya sudah gue hapus, aman.”
De-identification perlu proportional ke risk dan use case.
Untuk research atau enterprise health AI, ada metodologi khusus.
Consumer sebaiknya mengambil pendekatan sederhana: jangan masukkan detail yang tidak dibutuhkan.
Minimize.
Generalize.
Redact.
Dan kalau ragu, jangan upload.
Foto juga mengandung data
User sering fokus text.
Padahal foto medis bisa memuat metadata atau identifier visual.
Foto hasil lab punya barcode.
Foto gelang pasien punya ID.
Foto layar sistem rumah sakit punya nama pasien lain di background.
Foto ruangan bisa menunjukkan lokasi.
AI image analysis membuat foto semakin useful.
Sekaligus semakin sensitif.
Sebelum upload, cek seluruh frame.
Crop.
Blur.
Pastikan tidak ada data orang lain.
Ini basic hygiene.
Healthcare staff harus lebih hati-hati lagi karena satu screenshot bisa melibatkan banyak pasien.
Voice juga data kesehatan
Voice note ke AI bisa mengandung symptom detail.
Nama.
Lokasi.
Emotion.
Orang lain di background.
Voice biometric characteristics.
Multi-modal AI memperluas jenis data yang bisa diproses.
Semakin banyak mode, semakin banyak privacy surface.
Wearable data juga sensitif.
Heart rate.
Sleep.
Menstrual cycle.
Activity.
Location pattern.
Semua bisa membentuk picture kesehatan.
Jangan hanya melindungi hospital PDF.
Consumer health data juga valuable.
AI company dan healthtech perlu privacy by design
User education saja tidak cukup.
Product harus membantu.
Redaction suggestion.
Warning saat mendeteksi identifier.
Clear consent.
Default minimal retention.
Enterprise controls.
Audit log.
Data deletion.
Permission boundary.
Encryption.
On-device processing kalau feasible.
Privacy jangan dijadikan opsi premium belakangan.
Untuk healthtech, privacy adalah feature inti.
Tool yang sangat akurat tetapi data handling buruk bukan good health product.
Safety mencakup confidentiality.
Indonesia sedang memperkuat institusi PDP
Pada Juli 2026, Kementerian Komunikasi dan Digital menyampaikan bahwa pemerintah sedang memfinalisasi pembentukan Otoritas Pelindungan Data Pribadi yang independen.
Ini menunjukkan governance data di Indonesia terus bergerak.
Detail institusional bisa berubah seiring regulasi final.
Tapi prinsip hukumnya sudah jelas: data kesehatan adalah data pribadi spesifik dan pemrosesannya bukan hal ringan.
Bisnis yang menggunakan AI untuk health data harus memantau perkembangan regulasi.
Jangan hanya mengikuti terms vendor.
Compliance local tetap tanggung jawab organisasi.
“Gratis” tidak berarti cost-nya nol
Consumer sering menganggap tool gratis tidak punya cost.
Data bisa menjadi part of value exchange tergantung layanan.
Bukan berarti semua platform menjual health data.
Jangan membuat tuduhan tanpa evidence.
Yang benar adalah user perlu memahami policy.
Apakah input digunakan untuk training?
Apakah history disimpan?
Apakah account admin bisa melihat?
Apa retention?
Apakah opt-out tersedia?
Kalau jawaban tidak jelas, jangan masukkan data sensitif.
High-stakes data membutuhkan high-trust tool.
Caregiver juga harus menghormati privacy
Anak sering membantu orang tua upload hasil.
Pasangan membantu pasangan.
Staff membantu bos.
Niatnya baik.
Tapi consent tetap penting.
“Ini kan keluarga” bukan otomatis izin untuk membagikan medical info ke third party service.
Kalau pasien mampu memberi keputusan, minta izin.
Kalau caregiver resmi, ikuti role.
Jangan membuat convenience menghapus autonomy.
Health data sangat intimate.
Respect harus tetap ada meski workflow digital.
AI bisa membantu tanpa tahu identitas
Ini point yang optimis.
Banyak task tidak membutuhkan siapa orangnya.
Translate istilah.
Jelaskan general concept.
Buat daftar pertanyaan.
Ringkas guideline publik.
Buat checklist konsultasi.
AI bisa useful tanpa nama, alamat, nomor pasien, atau full history.
Design workflow seperti itu.
Pisahkan information task dan patient-specific task.
Semakin banyak task bisa diselesaikan tanpa identity, semakin baik privacy posture.
Data kesehatan adalah salah satu kategori data yang paling tidak boleh diperlakukan santai.
AI membuat sharing terlalu mudah.
Satu drag-and-drop.
Satu copy-paste.
Selesai.
Justru karena friction turun, discipline harus naik.
Sebelum upload, tanya:
Apakah data ini benar-benar dibutuhkan?
Bisa di-redact?
Bisa ditanya secara umum?
Tool ini approved?
Policy-nya jelas?
Siapa yang akan memproses?
Kalau pertanyaan itu terasa ribet, memang sedikit ribet.
Health privacy seharusnya punya friction.
Karena begitu informasi sensitif keluar ke tempat yang salah, tombol undo sering tidak ada.
Perusahaan juga perlu membedakan data untuk inference dan data untuk training. User mungkin setuju satu query diproses untuk menghasilkan jawaban. Itu tidak otomatis berarti mereka memahami atau setuju kalau data dipakai untuk tujuan lain.
Purpose limitation penting.
Healthcare AI harus jelas mengenai tujuan pemrosesan.
Jangan memperluas penggunaan data diam-diam.
Trust hilang cepat kalau user merasa informasi sensitif mereka dipakai di luar konteks yang mereka pahami.
Privacy juga bukan musuh innovation.
Data yang dilindungi dengan baik justru membuat orang lebih berani memakai healthtech.
Trust memperbesar adoption.
Leak menghancurkannya.
Health AI yang serius harus melihat privacy sebagai growth infrastructure, bukan compliance tax.
Ada juga risiko secondary use. Data yang awalnya dikumpulkan untuk pelayanan kesehatan bisa jadi sangat valuable untuk analytics, research, atau model development.
Secondary use bisa legitimate kalau ada dasar hukum, governance, dan safeguards yang tepat.
Masalahnya muncul ketika scope berubah tanpa transparency.
Healthcare organization harus punya data inventory.
Tahu data apa yang dimiliki.
Di mana disimpan.
Vendor mana yang memproses.
Untuk tujuan apa.
Berapa lama.
Siapa yang punya access.
AI adoption tanpa inventory membuat shadow processing mudah terjadi.
Satu department mencoba tool sendiri.
Department lain mencoba vendor lain.
Data pasien tersebar.
Governance harus mengejar sebelum architecture menjadi terlalu kompleks.
Untuk organisasi, prinsip paling aman adalah tidak membiarkan AI adoption tumbuh sebagai shadow IT. Staff perlu tahu tool mana yang boleh dipakai, data apa yang boleh masuk, dan siapa yang harus ditanya kalau use case baru muncul.
Rule yang jelas jauh lebih efektif daripada larangan abstrak.
AI kesehatan akan terus berkembang.
Governance harus ikut bergerak sebelum kebocoran yang memaksa semua orang belajar dengan cara paling mahal.
Bacaan terkait
Artikel ini berada dalam HealthTech & Digital Health dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Explainer teknologi dan kebijakan digital.