Evaluasi AI Diagnosa Komplikasi Rahang MRONJ
Uji Kecerdasan Tiga AI dalam Menganalisis Komplikasi Rahang, Mana yang Unggul?
Bayangkan seorang pasien osteoporosis berusia 65 tahun yang harus mencabut gigi. Ia sempat membaca bahwa obat yang diminumnya bertahun-tahun bisa membuat tulang rahang "mati" setelah pencabutan. Malam itu, sebelum tidur, ia melakukan hal yang kini dilakukan hampir semua orang: mengetik pertanyaannya ke chatbot AI.
Pertanyaannya sederhana. Konsekuensinya tidak. Salah informasi soal kapan gigi boleh dicabut, apakah obat perlu dihentikan sementara, atau apakah implan gigi masih aman semuanya bisa berujung pada komplikasi yang sulit disembuhkan.
Sebuah penelitian yang dimuat di jurnal BMC Oral Health pada 25 Juli 2026 menguji tepat pertanyaan itu: seberapa bisa diandalkan jawaban AI soal komplikasi rahang yang satu ini? Tiga model AI generasi terbaru diadu, dan hasilnya menyimpan satu kejutan yang layak dicatat.
Apa Itu MRONJ, dan Mengapa Ini Bukan Masalah Kecil
MRONJ adalah singkatan dari medication-related osteonecrosis of the jaw osteonekrosis rahang yang berkaitan dengan obat. Secara ringkas, ini adalah kondisi ketika sebagian tulang rahang terbuka (tidak tertutup gusi) dan tidak menyembuh lebih dari delapan minggu, pada pasien yang tidak pernah menjalani radioterapi di area rahang dan tidak memiliki penyebaran kanker ke rahang.
Pemicunya bukan infeksi biasa, melainkan efek samping dari sekelompok obat:
Obat antiresorptif seperti bisfosfonat dan denosumab biasa dipakai untuk osteoporosis serta untuk menjaga kekuatan tulang pada pasien kanker.
Obat antiangiogenik dipakai pada beberapa terapi kanker.
Obat-obat ini sangat bermanfaat. Masalahnya, pada sebagian kecil pasien, tulang rahang menjadi jauh lebih lambat memperbaiki diri setelah trauma seperti pencabutan gigi atau operasi tulang. Risikonya relatif kecil pada pasien osteoporosis, tetapi jauh lebih tinggi pada pasien kanker yang menerima dosis besar. Bila terjadi, dampaknya bisa berupa nyeri kronis, infeksi berulang, kesulitan makan, hingga penurunan kualitas hidup yang nyata.
Karena itu pencegahan MRONJ sangat bergantung pada informasi yang benar: pemeriksaan gigi sebelum terapi dimulai, penanganan sumber infeksi di mulut, penilaian risiko yang individual, serta komunikasi yang rapi antara onkolog, dokter gigi, dan dokter bedah mulut. Di sini, kualitas informasi bukan sekadar soal akademis ia bagian dari keselamatan pasien.
Apa yang Dilakukan Para Peneliti
Tim peneliti dari Fakultas Kedokteran Gigi Gazi University, Ankara, Turki, merancang sebuah "ujian" yang cukup ketat.
Soalnya diambil dari pedoman resmi. Mereka menyusun 30 pertanyaan terbuka yang bersumber dari dua dokumen rujukan internasional: pedoman praktik klinis MASCC/ISOO/ASCO dan Konsensus Italia terbaru tentang MRONJ. Pertanyaan dibagi tiga kelompok: 20 soal manajemen MRONJ umum, 5 soal terkait pasien osteoporosis, dan 5 soal terkait pasien kanker. Isinya mulai dari yang bersifat hafalan ("Apa itu MRONJ?", "Bagaimana mekanisme kerja bisfosfonat?") sampai penalaran klinis terapan ("Bisakah implan gigi dilakukan pada pasien yang menerima bisfosfonat?", "Bagaimana menangani MRONJ pada pasien kanker tanpa tulang yang terekspos?").
Pesertanya tiga AI generasi terbaru. ChatGPT-5.4 Thinking, Gemini 3 Deep Think, dan DeepSeek-V3.2 dalam mode thinking ketiganya diakses lewat antarmuka web biasa, seperti yang dipakai orang awam.
Kondisi ujian dibuat setara. Pengujian dilakukan pada 6–7 Maret 2026, pada sesi pagi sekitar pukul 08.00, dengan perangkat dan koneksi internet yang sama. Setiap pertanyaan dimasukkan di jendela obrolan baru, riwayat dan cache dibersihkan, fungsi memori dimatikan, dan tidak ada pertanyaan lanjutan atau permintaan mengulang jawaban. Jawaban pertama yang lengkap itulah yang dinilai tanpa disunting sama sekali. Total: 90 jawaban.
Penilaiannya dilakukan buta. Semua penanda merek, logo, dan format khas tiap platform dihapus, lalu jawaban diberi label Grup 1, 2, dan 3. Tiga dokter spesialis bedah mulut dan maksilofasial dengan pengalaman 17, 19, dan 20 tahun menilainya secara independen, tanpa tahu jawaban mana dari AI mana, dan tanpa tahu penilaian rekannya.
Yang dinilai ada empat hal:
Kualitas klinis, memakai skala 1–5 (Global Quality Scale yang dimodifikasi), di mana 5 berarti sangat sesuai pedoman, lengkap, dan bisa langsung diterapkan.
Tingkat risiko klinis, dari "tanpa risiko berarti" sampai "risiko tinggi" untuk memisahkan kekurangan kecil dari kesalahan yang benar-benar bisa membahayakan.
Keterbacaan, memakai lima indeks bahasa Inggris yang mapan.
Kecepatan menjawab, diukur dengan stopwatch digital sejak prompt dikirim sampai teks berhenti muncul.
Hasilnya: Empat Temuan yang Tidak Berjalan Seiring
Pertama, kabar baik soal metodenya: ketiga penilai sangat kompak. Tingkat kesepakatan antar-penilai tinggi untuk semua model (koefisien korelasi intraklas 0,78–0,95), jadi skor yang muncul bukan hasil selera satu orang.
1. Soal kualitas: yang paling banyak "berpikir" justru dinilai paling rendah
Skor rata-rata dari ketiga ahli:
Model | Skor kualitas (dari 5) |
Gemini 3 Deep Think | 4,68 |
DeepSeek-V3.2 | 4,48 |
ChatGPT-5.4 Thinking | 3,98 |
Secara statistik, ChatGPT-5.4 Thinking signifikan lebih rendah dibanding dua model lainnya. Sementara selisih antara Gemini dan DeepSeek meski Gemini di angka lebih tinggi tidak signifikan secara statistik. Artinya, ini bukan tiga peringkat yang berjenjang rapi; yang terbaca jelas hanyalah bahwa dua model mengungguli satu model.
Perlu dicatat: skor 3,98 bukan berarti buruk. Pada skala ini, angka 4 berarti "jawaban baik, umumnya akurat dan berguna, dengan kekurangan minor". Ketiga model sama-sama berada di wilayah layak; yang berbeda adalah kelengkapan dan kedalamannya.
2. Soal kecepatan: perbedaannya sangat lebar
DeepSeek-V3.2: 9,7 detik rata-rata
Gemini 3 Deep Think: 16,3 detik
ChatGPT-5.4 Thinking: 44,3 detik (bahkan sampai 85,7 detik pada satu pertanyaan)
Semua selisih ini signifikan secara statistik. Dan inilah kejutannya: model yang paling lama "berpikir" justru mendapat penilaian kualitas paling rendah. Analisis korelasi mengonfirmasi hal itu hubungan antara waktu respons dan skor kualitas ternyata negatif lemah hingga sedang (ρ = −0,298; p = 0,004).
Pelajarannya sederhana tapi penting: lama menunggu bukan jaminan jawaban lebih baik. Durasi generasi teks lebih mencerminkan karakter teknis platform daripada mutu klinis isinya.
3. Soal keterbacaan: semuanya terlalu berat untuk pasien
Di sini temuannya paling perlu digarisbawahi. Secara relatif, Gemini menghasilkan teks paling kompleks (skor Flesch Reading Ease hanya 1,40), sedangkan ChatGPT (11,74) dan DeepSeek (12,60) sedikit lebih ringan.
Tapi "sedikit lebih ringan" di sini menyesatkan kalau dibaca tanpa konteks. Sebagai patokan, skor Flesch Reading Ease 60–70 dianggap setara bahasa sehari-hari yang wajar, dan di bawah 30 sudah tergolong sangat sulit. Ketiga model berada jauh di bawah 30. Indeks tingkat pendidikan yang dibutuhkan pun berkisar setara kelas 15–17, alias level perkuliahan ke atas — padahal materi edukasi untuk masyarakat umum idealnya di kisaran kelas 6–8.
Penulis studi sendiri tegas soal ini: istilah "lebih mudah dibaca" hanya berlaku sebagai perbandingan antar-model, bukan bukti bahwa jawaban itu layak diberikan langsung kepada pasien. Untuk keperluan pasien, teksnya masih perlu ditinjau, disederhanakan, dan disesuaikan dengan tingkat literasi kesehatan pembacanya.
Menarik juga: skor kualitas dan skor keterbacaan hampir tidak berkorelasi. Jawaban bisa canggih secara klinis tapi sulit dipahami dan sebaliknya, jawaban yang enak dibaca tetap harus diperiksa kelengkapannya.
4. Soal keamanan: sedikit, tapi tidak nol
Dari 90 jawaban:
75 jawaban (83,3%) dinilai tanpa risiko klinis yang berarti
13 jawaban (14,4%) berisiko klinis rendah
2 jawaban (2,2%) berisiko klinis sedang keduanya berasal dari DeepSeek-V3.2
0 jawaban berisiko tinggi
Tidak adanya jawaban berisiko tinggi adalah kabar yang melegakan. Namun dua jawaban berisiko sedang tetap layak diperhatikan, karena kategori itu mencakup hal-hal seperti kurang tegas membedakan pasien osteoporosis dari pasien kanker, atau saran yang kabur soal risiko pencabutan gigi. Dalam konteks MRONJ, kekurangan seperti itu bisa berujung pada penilaian risiko yang tidak lengkap atau rujukan ke spesialis yang tertunda.
Perhatikan juga polanya: DeepSeek mendapat skor kualitas tinggi sekaligus menyumbang dua jawaban berisiko sedang. Kualitas keseluruhan dan potensi risiko ternyata dua hal yang berkaitan, tetapi tidak identik.
Apa yang Belum Bisa Dijawab Studi Ini
Penulisnya cukup jujur mendaftar keterbatasannya, dan ini penting agar hasilnya tidak dibaca berlebihan:
Sekali tanya, satu sesi, satu jenis prompt. Setiap pertanyaan hanya diajukan satu kali. Padahal jawaban AI bisa berubah meski pertanyaannya identik. Prompt yang dipakai juga secara eksplisit meminta model berperan sebagai ahli bedah mulut dan merujuk pedoman tertentu — pembingkaian ini bisa menguntungkan model yang lebih responsif terhadap instruksi semacam itu.
Komposisi soal tidak seimbang. Dari 30 pertanyaan, 20 soal manajemen umum, hanya 5 osteoporosis dan 5 kanker. Jadi perbedaan skor lebih mencerminkan performa pada pengetahuan MRONJ umum, bukan pada skenario klinis spesifik.
Penilaian bersifat global, bukan cek fakta baris per baris. Studi ini tidak mengukur secara terpisah halusinasi, rujukan palsu, atau klaim tanpa dasar.
Soalnya belum menyerupai praktik nyata. Keputusan MRONJ sesungguhnya melibatkan riwayat obat jangka panjang, waktu pencabutan, prognosis kanker, penyakit penyerta, preferensi pasien, dan koordinasi antar-disiplin — kompleksitas yang sulit diwakili pertanyaan singkat.
Semua dalam bahasa Inggris, sehingga hasilnya belum tentu berlaku untuk pengguna yang bertanya dalam bahasa Indonesia.
Versi yang tersedia masih berstatus article in press (manuskrip diterima, belum melewati penyuntingan akhir), jadi detail kecil masih mungkin berubah.
Satu hal lagi: model AI berganti versi dengan sangat cepat. Hasil pengujian pada Maret 2026 belum tentu berlaku untuk versi yang beredar beberapa bulan kemudian.
Kesimpulan: AI Boleh Jadi Teman Belajar, Bukan Pengganti Dokter
Temuan utama studi ini bisa diringkas begini: performa AI di ranah medis bersifat berdimensi banyak, dan dimensi-dimensi itu tidak membaik bersamaan. Model dengan skor kualitas tertinggi justru paling sulit dibaca. Model paling cepat justru menyumbang jawaban berisiko sedang. Model yang paling lama "berpikir" justru dinilai paling rendah oleh para ahli.
Karena itu, tidak ada satu label "AI terbaik" yang berlaku menyeluruh. Yang ada adalah profil keunggulan yang berbeda-beda — dan tak satu pun menghapus kebutuhan akan pengawasan manusia.
Untuk pembaca umum, pesannya praktis: silakan gunakan AI untuk memahami istilah, menyusun daftar pertanyaan, atau menyiapkan diri sebelum konsultasi. Tetapi untuk keputusan seperti kapan gigi boleh dicabut, apakah implan aman, atau apakah obat osteoporosis perlu dihentikan sementara — jawabannya harus datang dari pemeriksaan langsung oleh dokter gigi atau dokter bedah mulut, dengan mempertimbangkan riwayat obat dan kondisi kesehatan Anda secara utuh.
Untuk klinisi dan institusi, penulis studi merekomendasikan pendekatan human-in-the-loop: konten yang dihasilkan AI ditinjau tenaga profesional, ada peringatan tegas agar tidak dipakai untuk keputusan pengobatan mandiri, disesuaikan dengan pedoman lokal, dan disederhanakan lebih dulu sebelum diberikan kepada pasien.
Dan bagi siapa pun yang menjalani terapi bisfosfonat atau denosumab: pemeriksaan gigi sebelum terapi dimulai tetap menjadi langkah pencegahan paling efektif — jauh lebih andal daripada chatbot secanggih apa pun.
Referensi Artikel Asli
Ulubaş E, Davutluoğlu DM, Karaca İR, Toprak ME. Comparison of ChatGPT, Gemini, and DeepSeek responses to questions on medication-related osteonecrosis of the jaw (MRONJ): a comparative analysis of expert-rated clinical quality, readability, response time, and clinical safety risk. BMC Oral Health. 2026 (article in press, dipublikasikan online 25 Juli 2026).
DOI: https://doi.org/10.1186/s12903-026-09421-0
Afiliasi penulis: Departemen Bedah Mulut dan Maksilofasial serta Departemen Kedokteran Gigi Anak, Fakultas Kedokteran Gigi, Gazi University, Ankara, Turki. Lisensi: Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) — akses terbuka.
Rujukan Pedoman yang Menjadi Acuan Studi
Yarom N, Shapiro CL, Peterson DE, et al. Medication-related osteonecrosis of the jaw: MASCC/ISOO/ASCO clinical practice guideline. J Clin Oncol. 2019;37(25):2270–2290. DOI: 10.1200/JCO.19.01186
Campisi G, Mauceri R, Bertoldo F, et al. Medication-related osteonecrosis of jaws (MRONJ) prevention and diagnosis: Italian consensus update 2020. Int J Environ Res Public Health. 2020;17(16):5998. DOI: 10.3390/ijerph17165998