[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"$fvXxJU5QqOBr5BsDo7xJKoUmD-zpe6rDjYRY_kYQ-c7k":3},{"post":4,"html":9},{"title":5,"author":6,"excerpt":7,"publishedAt":8},"State of Clinical AI Report 2026 — Tinjauan Stanford-Harvard-ARISE tentang Kemajuan Terkini AI Klinis","HealthRex Stanford","Laporan tahunan Jaringan ARISE — kolaborasi Stanford-Harvard — mensintesis perkembangan terbaru AI klinis. Dari model penalaran diagnostik hingga AI yang berhadapan dengan pasien, laporan ini membawa fokus kembali ke evidence-based medicine.","2026-07-16T07:28:47.514Z","\u003Ch1>Laporan State of Clinical AI 2026: Tinjauan Jaringan Stanford-Harvard-ARISE\u003C\u002Fh1>\n\u003Ch2>Pendahuluan dan Latar Belakang\u003C\u002Fh2>\n\u003Cp>(± 00:02)\u003C\u002Fp>\n\u003Cp>Peter, seorang fellow kardiologi di Beth Israel Deaconess Medical Center Boston, memaparkan laporan tahunan Jaringan ARISE — kolaborasi antara Stanford dan Harvard — yang mensintesis perkembangan terbaru AI klinis. Presentasi ini menjanjikan pendekatan berbasis bukti yang obyektif, menjauh dari sensasi menuju \u003Cem>evidence-based medicine\u003C\u002Fem>. Beberapa peristiwa besar terjadi hanya dalam beberapa minggu pertama tahun 2026: FDA mengumumkan rencana melonggarkan regulasi alat \u003Cem>clinical decision support\u003C\u002Fem> (CDS) selama dokter mempertahankan otonomi keputusan, serta perangkat \u003Cem>wearable\u003C\u002Fem> yang hanya memberikan informasi dan tidak mengklaim sebagai alat medis. OpenAI dan Anthropic meluncurkan chatbot konsumen dan mulai memasuki \u003Cem>workflow\u003C\u002Fem> operasional sistem perawatan kesehatan. Negara bagian Utah memulai proyek percontohan dengan Doctronic untuk mengevaluasi apakah AI dapat memberikan peresepan obat ulang secara otonom.\u003C\u002Fp>\n\u003Cp>Meskipun FDA telah menyetujui lebih dari 200 alat AI\u002FML, hanya minoritas yang menjalani evaluasi \u003Cem>peer-reviewed\u003C\u002Fem>. Dari ringkasan perangkat FDA, kurang dari setengahnya memiliki desain studi, dan lebih dari 95% tidak memiliki data demografis. Inilah motivasi laporan ini: membawa fokus kembali ke \u003Cem>evidence-based medicine\u003C\u002Fem>. Laporan ini membagi tinjauan ke dalam enam tema inti: performa model, tolok ukur dan evaluasi, metode fundamental, AI dalam alur kerja klinis, AI yang berhadapan dengan pasien, dan demonstrasi AI terapan sub-spesialisasi.\u003C\u002Fp>\n\u003Ch2>Performa Model dan Kemampuan Penalaran\u003C\u002Fh2>\n\u003Cp>(± 04:06)\u003C\u002Fp>\n\u003Cp>Bagian ini dibuka dengan model penalaran skala besar pertama, seri o1 dari OpenAI. Sebuah studi menguji o1 dalam serangkaian tugas penalaran klinis, membandingkannya dengan model non-penalaran (GPT-4), manusia dengan GPT-4, dan \u003Cem>baseline\u003C\u002Fem> manusia. Pada tugas penalaran manajemen, o1 mengungguli GPT-4 dan manusia dengan GPT-4. Lebih jauh lagi, ketika diuji dengan data dunia nyata tidak terstruktur dari \u003Cem>emergency department\u003C\u002Fem> (ED) Beth Israel Boston, o1 mengungguli dokter spesialis pada titik-titik tertentu: triase awal ED dan akhir kunjungan ED, serta setara dengan dokter pada titik admisi.\u003C\u002Fp>\n\u003Cp>Namun, dunia nyata tidak selalu berbentuk skenario klinis yang rapi. Google memperkenalkan AMI (\u003Cem>agentic medical intelligence\u003C\u002Fem>), sebuah \u003Cem>dialogue agent\u003C\u002Fem> cepat untuk mengumpulkan riwayat pasien, yang kemudian dipadukan dengan agen penalaran manajemen lambat — keduanya bersifat \u003Cem>state-aware\u003C\u002Fem> (memiliki referensi ringkasan pasien, diagnosis banding, dan rencana manajemen yang terus diperbarui). Dalam simulasi perawatan longitudinal selama tiga kunjungan klinik, AMI tidak inferior terhadap dokter perawatan primer (PCP) dalam aspek seperti ketepatan secara keseluruhan. AMI bahkan dapat menyebutkan tidak hanya nama antibiotik tetapi juga dosis, durasi total, dan parameter monitoring — sesuatu yang tidak dapat dilakukan model sebelumnya.\u003C\u002Fp>\n\u003Cp>Namun, kerentanan penalaran muncul dari studi cerdas: peneliti mengubah pertanyaan pilihan ganda sehingga jawaban benar menjadi "tidak ada jawaban lain." Performa model seperti o3-mini dan GPT-4o turun drastis, menunjukkan bahwa apa yang tampak sebagai penalaran klinis yang dalam mungkin hanyalah pengenalan pola permukaan. Jika alat klinis gagal saat dihadapkan pada pola presentasi penyakit baru, ini menjadi berbahaya secara klinis. Kerentanan juga terlihat dalam pengujian \u003Cem>script concordance\u003C\u002Fem> — pengujian kapan dan bagaimana dokter memperbarui keputusan berdasarkan informasi baru. LLM berkinerja setara mahasiswa kedokteran tetapi kalah dari residen dan dokter spesialis. Distribusi jawaban LLM bersifat bimodal: mereka cenderung membuat penilaian sangat provokatif (sangat mungkin atau sangat tidak mungkin), jarang memilih netralitas — menunjukkan model perlu lebih sadar akan ketidakpastian mereka.\u003C\u002Fp>\n\u003Cp>Kesimpulan utama: model menunjukkan tanda-tanda kemampuan penalaran \u003Cem>superhuman\u003C\u002Fem> tetapi dalam tugas terkontrol dan tampak rapuh. Jika kita membandingkan dengan \u003Cem>baseline\u003C\u002Fem> manusia, mungkinkah standar itu sendiri yang keliru? Mungkin kita perlu standar yang lebih tinggi.\u003C\u002Fp>\n\u003Ch2>Tolok Ukur dan Evaluasi\u003C\u002Fh2>\n\u003Cp>(± 08:19)\u003C\u002Fp>\n\u003Cp>Sejak rilis LLM pada 2022, \u003Cem>multiple choice\u003C\u002Fem> telah menjadi alat evaluasi utama. Sebuah tinjauan sistematis menemukan bahwa model diukur terutama pada akurasi dan pengetahuan, jarang menggunakan data dunia nyata, jarang mempelajari bias dan bahaya, serta jarang mengevaluasi tugas administrasi dan alur kerja seperti penulisan resep. Tolok ukur pilihan ganda sudah sangat jenuh — model mencapai skor di atas 90% — sehingga tidak ada lagi ruang untuk melacak peningkatan.\u003C\u002Fp>\n\u003Cp>Sebuah studi mengubah skenario klinis pilihan ganda menjadi percakapan multi-\u003Cem>turn\u003C\u002Fem> menggunakan pengaturan multi-agen (dokter LM dan pasien LM). Performa model turun drastis. Kesalahan sering berupa riwayat yang tidak lengkap — hanya sekitar 50% waktu LLM mengumpulkan riwayat yang cukup untuk menentukan satu diagnosis yang layak menurut dokter manusia.\u003C\u002Fp>\n\u003Cp>OpenAI meluncurkan HealthBench — 5.000 percakapan sintetis yang dihasilkan dengan respons terbuka, melibatkan 260 dokter dari seluruh dunia untuk membuat rubrik. HealthBench Consensus menunjukkan konsistensi tinggi antar dokter, sementara HealthBench Hard berisi sub-set yang sangat tidak jenuh. Model penalaran (\u003Cem>reasoning models\u003C\u002Fem>) unggul pada tugas berbasis teks seperti komunikasi, tetapi lebih lemah pada tugas administrasi data kesehatan dan alur kerja. Data terbaru dari OpenAI menunjukkan GPT 5.2 memiliki perbaikan drastis pada tugas alur kerja, meskipun data ini baru berupa siaran pers.\u003C\u002Fp>\n\u003Cp>MedHelm dari Stanford kemudian mengkritik HealthBench karena lebih merupakan layanan nasihat daripada tugas klinis. MedHelm menggunakan 35 tolok ukur, 12 di antaranya dengan data EHR. Model kembali unggul pada tugas teks tetapi lebih lemah pada administrasi dan alur kerja — kemungkinan karena kelangkaan data pelatihan untuk tugas-tugas tersebut.\u003C\u002Fp>\n\u003Cp>MedAgentBench menguji model dalam lingkungan EHR HIPAA-compliant. Model cukup baik pada tugas berbasis kueri dan pengambilan, tetapi performa turun hampir 30% untuk model teratas (Claude 3.5 Sonnet) pada tugas berbasis tindakan seperti membuat pesanan CT scan. Claude Opus 4.5 kemudian meningkat dari 70% ke 92% skor komposit, meskipun perbedaan antara tugas kueri dan tindakan tidak diungkap.\u003C\u002Fp>\n\u003Cp>Yang paling penting, sebuah studi tentang bahaya menemukan bahwa dalam hingga 22% kasus, LLM dapat menyebabkan bahaya parah (dinilai oleh dokter manusia), terutama dari kesalahan omisi (lebih dari 70% kasus). Bahaya parah hanya berkorelasi sedang dengan keberhasilan pada tolok ukur pengetahuan — model yang lebih besar dan lebih cerdas belum tentu menyebabkan lebih sedikit bahaya. Kabar baiknya, model terbaik masih mengungguli \u003Cem>baseline\u003C\u002Fem> manusia, dan \u003Cem>multi-agent workflow\u003C\u002Fem> dapat mengurangi bahaya.\u003C\u002Fp>\n\u003Cp>Kesimpulan: tolok ukur harus bergerak ke data dunia nyata, keselamatan harus menjadi fokus, dan meskipun alur kerja administrasi adalah target yang menarik, bukti saat ini menunjukkan model masih subpar pada tugas-tugas tersebut.\u003C\u002Fp>\n\u003Ch2>Metode Fundamental dan Inovasi\u003C\u002Fh2>\n\u003Cp>(± 18:12)\u003C\u002Fp>\n\u003Cp>Liam McCoy, residen neurologi di Universitas Alberta, membahas bagaimana peneliti meningkatkan performa di atas model \u003Cem>off-the-shelf\u003C\u002Fem>. Epic melakukan pekerjaan paling mendalam dengan \u003Cem>medical event models\u003C\u002Fem>: memperlakukan riwayat kesehatan pasien seperti teks, memprediksi "token" berikutnya — diagnosis berikutnya, pengobatan berikutnya, apakah pasien meninggal — menggunakan \u003Cem>health transformer\u003C\u002Fem>. Metode ini memungkinkan penggabungan peristiwa medis sebagai "bahasa" bersama pengetahuan klinis yang ada.\u003C\u002Fp>\n\u003Cp>Pendekatan \u003Cem>multi-agent\u003C\u002Fem> dari Microsoft mensimulasikan panel dengan beberapa posisi: satu agen memilih tes, satu menafsirkan hasil, satu mencari konflik dan konsensus. Mereka menemukan perbaikan pada kinerja diagnostik dan \u003Cem>stewardship\u003C\u002Fem> tes. Namun, studi lain memecah CDS menjadi beberapa area (pengumpulan informasi, interpretasi, generasi diagnosis, seleksi diagnosis) dan menemukan bahwa menggabungkan agen terbaik untuk setiap tugas justru menurunkan performa karena halusinasi dan masalah komunikasi antar agen. Pertanyaan "apakah keuntungan \u003Cem>multi-agent\u003C\u002Fem> sepadan?" masih terbuka.\u003C\u002Fp>\n\u003Cp>Multimodalitas menjadi terobosan besar tahun 2025. Google AMI menambahkan kemampuan meminta dan menginterpretasi pencitraan, mengungguli PCP dalam interpretasi. Sebuah model multimodal onkologi dilatih pada 50 juta gambar patologi dan 1 miliar token teks secara unsupervised, kemudian hanya fine-tuning dengan 1 juta pasangan gambar-teks (hanya 2% dari total gambar). Hasilnya, peningkatan performa substansial — menunjukkan potensi memanfaatkan data tidak terstruktur massal dengan sedikit pelabelan berkualitas tinggi.\u003C\u002Fp>\n\u003Cp>Namun, multimodalitas juga memiliki masalah tolok ukur. Sebuah studi mengambil pertanyaan multimodal pilihan ganda dan menghilangkan gambar — model tetap berkinerja hampir sama baiknya. Studi lain menunjukkan bahwa model dapat menjawab pertanyaan pilihan ganda tentang sistem organ palsu dan bahkan memfabrikasi penalaran. Jadi kita perlu "menahan kuda" dalam hal multimodalitas.\u003C\u002Fp>\n\u003Cp>Dari sisi penalaran, \u003Cem>medical process reward model\u003C\u002Fem> (MED PRM) mendekomposisi penalaran klinis langkah demi langkah, memberi penghargaan di setiap langkah apakah sesuai dengan pedoman. Performa meningkat secara signifikan, meskipun pada model kecil. Studi lain menemukan bahwa hanya sekitar sepertiga pertanyaan dalam tolok ukur yang benar-benar memerlukan penalaran multi-langkah — sisanya adalah pertanyaan pengetahuan murni. Ketika model diminta bernalar dalam skenario kompleks, performa turun drastis, tetapi fine-tuning pada contoh penalaran berkualitas tinggi dapat meningkatkan akurasi dan ketahanan.\u003C\u002Fp>\n\u003Cp>Kesimpulan: multimodalitas akan terus penting, terutama lintasan klinis pasien sebagai sumber multimodalitas. \u003Cem>Multi-agent\u003C\u002Fem> menarik tetapi membawa tantangan sendiri. Penalaran klinis unik dan layak dioptimalkan, dan sejarah pendidikan medis akan mulai berdampak pada penalaran model di \u003Cem>frontier\u003C\u002Fem>.\u003C\u002Fp>\n\u003Ch2>AI dalam Alur Kerja Klinis\u003C\u002Fh2>\n\u003Cp>(± 26:47)\u003C\u002Fp>\n\u003Cp>Bagian ini meneliti apa yang terjadi ketika dokter dihadapkan pada LLM dalam pengaturan klinis. Penting untuk membedakan penalaran manajemen (lebih cair, subyektif) dari penalaran diagnostik (lebih biner). Dalam penalaran manajemen, dokter yang menggunakan GPT-4 menunjukkan peningkatan signifikan dibandingkan mereka yang hanya menggunakan sumber daya konvensional seperti UpToDate. Menariknya, dokter + GPT-4 tidak mengungguli GPT-4 saja — menunjukkan kemungkinan \u003Cem>suboptimal teaming\u003C\u002Fem>.\u003C\u002Fp>\n\u003Cp>Dalam penalaran diagnostik, tidak ada sinyal peningkatan signifikan. Namun, ketika GPT-4 dimodifikasi untuk menghasilkan sintesis bersama — menyoroti titik kesepakatan dan ketidaksepakatan antara dokter dan LLM, mengkritik penalaran kedua belah pihak — hasilnya berbeda. Urutan (dokter dulu atau AI dulu) tidak penting, tetapi memodulasi cara AI berinteraksi memberikan dorongan penalaran diagnostik dan mencegah kasus berkinerja buruk. Ini menunjukkan bahwa mengoptimalkan interaksi manusia-komputer, bukan hanya model, dapat memberikan manfaat.\u003C\u002Fp>\n\u003Cp>Di dunia nyata, OpenAI bekerja sama dengan Penda Health di Kenya untuk mengintegrasikan GPT-4o sebagai konsol AI yang berjalan diam-diam di latar belakang, memberikan lampu lalu lintas (hijau\u002Fkuning\u002Fmerah) pada titik-titik sentuh standar. Sistem ini sangat sadar konteks terhadap sistem kesehatan pasien dengan beberapa contoh untuk setiap warna. Hasilnya: penurunan 16% kesalahan diagnostik dan 13% kesalahan pengobatan — setara dengan potensi mencegah hampir 40.000 kesalahan per tahun. Dokter yang menggunakan AI juga tampak belajar seiring waktu (mendapat lebih sedikit peringatan merah).\u003C\u002Fp>\n\u003Cp>Bukti meluas ke sub-spesialisasi. Studi Jerman dengan 460.000 wanita menjadikan radiolog membaca mamogram dengan \u003Cem>AI safety net\u003C\u002Fem>: jika radiolog membaca normal tetapi AI mencurigakan, muncul peringatan. Radiolog menerima peringatan ini dalam 25% kasus, mengubah bacaan dari normal menjadi mencurigakan, menghasilkan deteksi 200 kanker payudara tambahan tanpa meningkatkan tingkat \u003Cem>recall\u003C\u002Fem> (yang berarti mengurangi biopsi yang tidak perlu).\u003C\u002Fp>\n\u003Cp>Namun, \u003Cem>fundamental theorem of informatics\u003C\u002Fem> — bahwa manusia plus mesin mengungguli keduanya sendiri — tampak "terkepung." Sebuah tinjauan lintas 50 studi menemukan bahwa manusia + AI umumnya tidak mengungguli AI saja. Dokter rentan terhadap \u003Cem>automation bias\u003C\u002Fem>: ketika terpapar jejak penalaran palsu dari LM, mereka berkinerja lebih buruk bahkan dengan konsultasi sukarela yang setara. Ada juga risiko \u003Cem>deskilling\u003C\u002Fem>: studi endoskopi menemukan penurunan 6% absolut dalam deteksi adenoma setelah AI diperkenalkan, bahkan untuk kasus tanpa AI.\u003C\u002Fp>\n\u003Cp>Ambient AI scribe telah diadopsi luas di AS. Studi JAMA melaporkan penurunan subyektif kelelahan dokter dan peningkatan perhatian pada pasien setelah 30 hari. Namun, data obyektif menunjukkan penghematan waktu hanya sekitar 20 detik per catatan (~20 menit\u002Fhari) — setara dengan \u003Cem>human scribe\u003C\u002Fem>. Keuntungan subyektif mungkin berasal dari beban kognitif yang lebih ringan saat meninjau daripada menulis. Efisiensi mungkin meningkat ketika perusahaan ambient AI beralih ke tugas \u003Cem>downstream\u003C\u002Fem> seperti \u003Cem>prior authorization\u003C\u002Fem>. Buktinya, baru-baru ini perusahaan ambient AI besar bekerja sama dengan perusahaan lain untuk membawa \u003Cem>prior auth\u003C\u002Fem> langsung ke kunjungan klinik.\u003C\u002Fp>\n\u003Cp>Kesimpulan: perlu lebih banyak pekerjaan pada optimasi interaksi manusia-AI untuk mencapai keadaan saling melengkapi. Diperlukan lebih banyak studi \u003Cem>co-pilot\u003C\u002Fem> seperti Penda Health untuk mempelajari hasil pasien. Ambient AI scribe belum menunjukkan dampak obyektif efisiensi yang berarti, tetapi integrasi tugas alur kerja kemungkinan akan mengubah narasi ini.\u003C\u002Fp>\n\u003Ch2>AI yang Berhadapan dengan Pasien\u003C\u002Fh2>\n\u003Cp>(± 37:54)\u003C\u002Fp>\n\u003Cp>Google AMI kembali muncul dalam studi tentang perspektif pasien: ketika \u003Cem>diblinding\u003C\u002Fem>, pasien menilai AMI lebih empatik, lebih jujur, dan menimbulkan kepercayaan lebih tinggi dalam perawatan mereka dibandingkan PCP. Namun, ada peringatan keamanan serius: studi dengan GPT-3 menunjukkan pasien tidak dapat membedakan antara nasihat baik dan buruk — baik dari dokter maupun LLM — dan sama-sama mungkin untuk bertindak atas nasihat buruk. Pasien tidak bisa diasumsikan memiliki peran pengawasan. Ini meningkatkan standar keselamatan.\u003C\u002Fp>\n\u003Cp>AI konsumen adalah pasar $70 miliar dengan banyak kepentingan komersial, berpotensi mengutamakan keterlibatan pengguna dan profitabilitas di atas hasil pasien. Untungnya, ada contoh baik: agen pembinaan AI dalam aplikasi seluler dengan timbangan Bluetooth untuk pra-diabetes. Dibandingkan dengan pelatih manusia, AI menunjukkan non-inferioritas dalam A1C, penurunan berat badan, dan aktivitas fisik — menunjukkan skalabilitas besar. Aplikasi serupa di masa depan harus fokus pada hasil obyektif.\u003C\u002Fp>\n\u003Cp>Teks adalah "roti dan mentega" model. Studi Inggris menggunakan LLM untuk mengurangi literasi kesehatan ringkasan pulang — pasien merasa lebih mudah memahami, kepercayaan diri meningkat, terutama pada mereka dengan literasi kesehatan rendah. Layanan terjemahan juga menjanjikan: GPT-4o menerjemahkan instruksi pasien dari Inggris ke Spanyol dengan kualitas non-inferior terhadap penerjemah profesional. Keuntungan potensial adalah mengalihkan sumber daya penerjemah manusia ke bahasa yang kurang terwakili.\u003C\u002Fp>\n\u003Cp>Kesimpulan: pasien merespons positif AI percakapan, tetapi harus ada perlindungan keselamatan serius karena pasien tidak bisa bermain peran pengawasan. Aplikasi baru harus fokus pada peningkatan hasil pasien, bukan hanya keterlibatan.\u003C\u002Fp>\n\u003Ch2>AI Terapan, Sub-Spesialisasi, dan Demonstrasi\u003C\u002Fh2>\n\u003Cp>(± 43:32)\u003C\u002Fp>\n\u003Cp>Deploymen skala besar adalah "saat karet bertemu jalan." Studi NHS dengan sistem deteksi stroke non-LLM di 107 rumah sakit (500.000 pasien) menunjukkan manfaat kuat dalam akses ke \u003Cem>endovascular thrombectomy\u003C\u002Fem> dan kecepatan akses — terutama di rumah sakit komunitas dengan dukungan teknis paling sedikit. Model \u003Cem>multitask\u003C\u002Fem> yang dilatih pada 100.000 pemindaian untuk berbagai tugas (diagnosis, prognosis, rekonstruksi gambar, peningkatan gambar) menunjukkan bahwa pendekatan "model mega" mungkin lebih unggul dari model spesifik-tugas.\u003C\u002Fp>\n\u003Cp>Prediksi stroke dari retina: dataset besar dari Tiongkok memprediksi stroke diam (\u003Cem>silent stroke\u003C\u002Fem>) dan stroke di masa depan, memungkinkan intervensi lebih awal. Namun, perlu hati-hati — Google sebelumnya merilis studi retina yang "hancur" saat dideploy di Thailand. Echo Prime dari Cedars-Sinai adalah model fondasi berbasis video yang dilatih pada jutaan ekokardiogram, memungkinkan interpretasi multi-pass kompleks di mana AI memilih sendiri tampilan mana yang akan dilihat.\u003C\u002Fp>\n\u003Cp>Beberapa demonstrasi penting: Chatty Chart dari Stanford memungkinkan pengguna bertanya tentang bagan pasien dalam lingkungan HIPAA-compliant, dengan studi sedang berlangsung untuk melihat bagaimana alat ini bekerja dan mulai gagal di dunia nyata. Proyek SAGE menyederhanakan konsultasi PCP-ke-spesialis — \u003Cem>asynchronous consultation\u003C\u002Fem> (konsultasi tidak sinkron) yang sudah ada di Stanford sering memakan waktu berminggu-minggu karena pertanyaan lanjutan. AI dapat membantu menghasilkan templat, mengisinya, dan memberikan umpan balik awal sebelum spesialis meninjau.\u003C\u002Fp>\n\u003Cp>Terakhir, dasbor interaktif ARISE di bench.arise-ai.org memungkinkan visualisasi berbagai model, ansambel, dan "kepribadian" model dalam hal omisi vs komisi, agresivitas, kemauan memesan tes vs intervensi. Ini menjadi fondasi untuk menambahkan berbagai tolok ukur di masa depan.\u003C\u002Fp>\n\u003Cp>Kesimpulan: transformasi jangka panjang akan didorong oleh model \u003Cem>frontier\u003C\u002Fem> (GPT-8, dll.), tetapi jalur jangka pendek menuju dampak sangat spesifik konteks. Tugas administrasi dan alur kerja adalah "buah rendah" — seperti memiliki seribu mahasiswa kedokteran atau administrator di komputer Anda. AI dapat membuat kita "lebih pintar" atau "kurang bodoh"; banyak yang masuk kategori "kurang bodoh" sebelum mencapai "superintelligence medis". Pencitraan akan terus menjadi area besar karena paling maju secara ilmiah dan komersial.\u003C\u002Fp>\n\u003Ch2>Kesimpulan Akhir dan Prediksi\u003C\u002Fh2>\n\u003Cp>(± 50:35)\u003C\u002Fp>\n\u003Cp>Lima temuan utama: (1) Kapabilitas model pasti meningkat pada tugas spesifik dan terkontrol — fokus harus beralih ke dampak melalui bukti dunia nyata dan uji coba prospektif. (2) Ada bukti \u003Cem>jagged frontier\u003C\u002Fem>: model tampak \u003Cem>superhuman\u003C\u002Fem> pada beberapa tugas tetapi buruk saat dihadapkan pada keacakan — hati-hati dalam deploymen di lingkungan baru. (3) Tahun 2026 akan menjadi tahun keuntungan signifikan dalam tugas alur kerja dan administrasi yang sebelumnya kurang dipelajari. (4) AI berhadapan dengan pasien akan terus tumbuh tetapi keselamatan adalah yang terpenting. (5) FDA sudah menyetujui alat AI — mungkin alat AI baru akan diadopsi seperti obat baru: indikasi per indikasi dengan bukti pendukung.\u003C\u002Fp>\n\u003Cp>Lima prediksi: (1) Kemungkinan gugatan malpraktik pertama di mana AI memainkan peran utama. (2) Terbukti benar — konsumen semakin memiliki akses ke ChatGPT Health dari lab-lab besar. (3) Model \u003Cem>frontier\u003C\u002Fem> akan terus mengungguli manusia pada tolok ukur, tetapi penelitian baru akan fokus pada optimasi interaksi manusia-AI. (4) Jika lebih dari 90% teks klinis adalah ambient AI, dapatkah kita mengandalkan apa yang dipikirkan kolega tentang kasus tersebut? (5) Pemain ambient AI akan mendorong batas dan masuk ke administrasi dan alur kerja.\u003C\u002Fp>\n"]