Dari Detak Jantung hingga Pola Tidur, Ini Cara AI Membaca Data Kesehatan

Smartwatch kini dapat merekam berbagai sinyal tubuh sepanjang hari. Dengan bantuan AI, data seperti detak jantung, gerakan, dan pola tidur dapat dianalisis menjadi pola yang lebih bermakna. 

Lantas, bagaimana prosesnya dan seberapa jauh hasilnya bisa dipercaya?

Saat membuka aplikasi kesehatan di smartwatch atau ponsel, Anda mungkin melihat berbagai angka: detak jantung saat istirahat, jumlah langkah, durasi tidur, hingga perkiraan tahap tidur. 

Angka-angka tersebut tidak muncul begitu saja. Di baliknya ada sensor yang menangkap biosignal, algoritma yang membersihkan data, dan tentu saja kecerdasan buatan atau artificial intelligence (AI) yang membantu mengenali pola.

Peran AI menjadi penting karena tubuh tidak bekerja sebagai kumpulan angka yang berdiri sendiri. Detak jantung berubah dari detik ke detik, aktivitas fisik membentuk pola dalam hitungan menit hingga jam, sedangkan kebiasaan tidur baru terlihat bila diamati berulang kali. AI dapat membantu membaca hubungan dan perubahan tersebut dalam data time-series.

Meski demikian, insight dari wearable tidak sama dengan diagnosis medis. 

Akurasi tiap perangkat dan tiap metrik dapat berbeda, sehingga hasilnya paling bermanfaat bila digunakan untuk memahami tren kesehatan dan, bila perlu, diskusikan hasilnya dengan tenaga kesehatan.

Apa yang sebenarnya dibaca smartwatch dari tubuh?

Smartwatch dan perangkat wearable dapat memiliki kombinasi sensor yang berbeda. Beberapa biosignal yang paling umum digunakan untuk memantau kesehatan antara lain berikut ini.

• Photoplethysmography (PPG). Sensor optik memancarkan cahaya ke kulit dan membaca perubahan cahaya yang dipantulkan atau diserap saat volume darah di pembuluh berubah mengikuti denyut jantung. Dari sinyal ini, perangkat dapat memperkirakan detak jantung dan sejumlah parameter lain yang berkaitan dengan denyut nadi.
• Electrocardiogram (ECG atau EKG). Pada perangkat yang mendukung fitur ini, elektroda merekam aktivitas listrik jantung. Berbeda dengan PPG yang bisa diukur secara pasif pada kondisi tertentu, pengukuran ECG pada smartwatch umumnya membutuhkan pengguna melakukan pengukuran secara aktif selama beberapa saat.
• Accelerometer dan sensor gerak. Data gerakan membantu perangkat memperkirakan aktivitas fisik, langkah, periode tidak aktif, dan bersama sensor lain dapat digunakan untuk memperkirakan kapan seseorang tidur atau terbangun.

Pola tidur pada smartwatch juga perlu dipahami sebagai hasil estimasi yang memperkirakan tahap tidur dari kombinasi sinyal yang bisa diukur. Ini berbeda dengan pemeriksaan tidur standar di laboratorium, yaitu polysomnography (PSG), yang akan mengukur lebih banyak sinyal fisiologis, termasuk aktivitas otak. 

Bagaimana AI mengubah data sensor menjadi insight kesehatan?

Sensor menghasilkan data mentah dalam jumlah besar. Satu malam tidur saja dapat menghasilkan rangkaian data gerak dan denyut jantung selama berjam-jam.

AI membantu mencari struktur di dalam rangkaian tersebut: kapan pola berubah, sinyal mana yang saling berkaitan, dan pola apa yang berulang dari waktu ke waktu.

Salah satu pendekatan yang sedang berkembang adalah health foundation model. Secara sederhana, ini adalah model AI yang dilatih menggunakan data kesehatan dalam skala besar agar mampu mempelajari representasi atau pola dasar dari biosignal.

Setelah proses pretraining, model dapat disesuaikan untuk berbagai tugas, misalnya klasifikasi tahap tidur atau analisis sinyal kardiovaskular.

Model seperti ini dapat menggunakan self-supervised learning. Artinya, model tidak selalu membutuhkan setiap potongan data diberi label oleh manusia.

Salah satu cara latihannya adalah menyembunyikan sebagian sinyal lalu meminta model merekonstruksi bagian yang hilang. Dengan cara tersebut, AI belajar hubungan internal dalam data – mirip seperti melengkapi potongan puzzle dengan memahami pola di sekitarnya.

Detak jantung: AI dapat belajar hubungan antara ECG dan PPG

Contoh perkembangan terbaru datang dari Digital Health Team di Samsung Research America. Pada 2026, para peneliti memperkenalkan xMAE, sebuah model pretraining biosignal yang dirancang untuk mempelajari hubungan temporal antara ECG dan PPG.

ECG dan PPG melihat peristiwa jantung dari sisi yang berbeda. ECG menangkap aktivitas listrik yang memicu kontraksi jantung, sementara PPG menangkap perubahan volume darah di jaringan setelah darah dipompa. Karena proses tersebut terjadi berurutan, terdapat jeda waktu fisiologis antara kedua sinyal.

Dalam xMAE, model dilatih menggunakan pasangan ECG dan PPG dan belajar merekonstruksi bagian ECG yang disamarkan dengan memanfaatkan informasi dari PPG.

Menurut laporan penelitian dan Samsung Research, pretraining dilakukan menggunakan sekitar 9.400 jam data ECG dan PPG. Model tersebut mengungguli baseline unimodal dan multimodal pada 15 dari 19 tugas evaluasi, termasuk beberapa tugas terkait prediksi kardiovaskular dan klasifikasi tahap tidur.

Temuan ini menunjukkan bahwa hubungan antar-biosignal dapat digunakan untuk membuat representasi PPG yang lebih informatif. 

Namun, performa pada benchmark penelitian tidak berarti setiap smartwatch otomatis dapat mendiagnosis penyakit jantung.

Model penelitian tetap memerlukan validasi pada populasi, perangkat, dan penggunaan klinis yang relevan sebelum hasilnya dapat diterjemahkan menjadi keputusan medis.

Pola tidur dan aktivitas perlu dibaca dalam skala waktu yang berbeda

Tidak semua informasi kesehatan muncul dalam rentang waktu yang sama. Perubahan denyut jantung dapat terjadi dalam hitungan detik, sedangkan pola tidur membutuhkan pengamatan berjam-jam. Kebiasaan aktivitas fisik bahkan lebih bermakna bila dilihat dalam pola harian atau mingguan.

Prinsip tersebut digunakan dalam model HiMAE, riset lain dari tim Samsung Research America yang diterima di ICLR 2026. HiMAE menganalisis data wearable pada beberapa resolusi waktu, sehingga model dapat mempelajari fitur dari segmen pendek dan panjang secara terpisah.

Pendekatan HiMAE tersebut dirancang agar model dapat memilih skala waktu yang paling relevan untuk tugas tertentu, misalnya analisis detak jantung dibandingkan prediksi tidur.

HiMAE juga dirancang cukup ringkas untuk dijalankan langsung di perangkat. Dalam pengujian penelitian, inferensinya dapat berlangsung kurang dari satu milidetik pada CPU kelas smartwatch.

Memang secara konsep, pemrosesan on-device seperti ini dapat mengurangi ketergantungan pada server cloud dan membuka peluang insight yang lebih cepat. Namun, kemampuan penelitian tersebut tidak berarti seluruh fitur kesehatan di smartwatch saat ini sudah menggunakan model yang sama.

Seberapa akurat data kesehatan dari wearable?

Kemampuan wearable berkembang cepat, tetapi akurasinya tidak sama untuk setiap metrik.

Sebuah living umbrella review yang diterbitkan di Sports Medicine pada 2024 merangkum 24 tinjauan sistematis, 249 studi validasi nonduplikat, dan lebih dari 430.000 peserta. Hasilnya menunjukkan bahwa performa wearable sangat bergantung pada jenis data yang diukur.

Dalam tinjauan tersebut, pengukuran detak jantung secara umum memiliki bias rata-rata sekitar +/-3%. Namun, kesalahan pada estimasi intensitas aktivitas fisik jauh lebih besar, dan pengukuran tidur cenderung melebihkan total waktu tidur. 

Para peneliti juga mencatat bahwa hanya sekitar 11% wearable komersial yang telah divalidasi untuk setidaknya satu outcome biometrik, sehingga validasi suatu fitur tidak otomatis berlaku untuk semua fitur pada perangkat yang sama.

Untuk tidur, meta-analysis di Journal of Clinical Sleep Medicine pada 2025 yang mencakup 24 studi dan 798 peserta menemukan perbedaan bermakna antara sleep tracker berbasis pergelangan tangan dan PSG.

Perbedaan ditemukan pada beberapa parameter penting, termasuk total waktu tidur, efisiensi tidur, waktu yang dibutuhkan untuk tertidur, dan waktu terjaga setelah mulai tidur. 

Artinya, wearable dapat membantu melihat pola umum, tetapi hasilnya tidak dapat menggantikan pemeriksaan tidur klinis untuk menilai gangguan tidur secara rinci.

Pada pemantauan irama jantung, bukti juga menunjukkan manfaat sekaligus keterbatasan. Review terbaru pada 2026 menyimpulkan bahwa smartwatch dapat membantu mendeteksi fibrilasi atrium dalam skala populasi, tetapi akurasi dipengaruhi oleh perangkat, populasi, standar pembanding, dan kualitas rekaman.

Penting untuk diingat, notifikasi dari wearable tetap perlu dikonfirmasi secara klinis; bukti bahwa skrining berbasis wearable menurunkan kejadian stroke atau kematian masih belum pasti.

Intinya: wearable paling berguna untuk melihat pola dan perubahan dari waktu ke waktu. Satu angka atau satu notifikasi saja sebaiknya tidak digunakan untuk diagnosis diri sendiri.

Cara menggunakan insight dari smartwatch dengan lebih bijak

Data wearable dapat menjadi lebih berguna bila dilihat sebagai tambahan informasi tentang tubuh, bukan sebagai pengganti pemeriksaan medis. Beberapa langkah berikut dapat membantu.

• Perhatikan tren, bukan cuma satu angka. Perubahan yang konsisten selama beberapa hari atau minggu biasanya lebih informatif daripada satu pembacaan yang berdiri sendiri.
• Bandingkan data dengan kondisi tubuh. Catat apakah perubahan detak jantung, tidur, atau aktivitas muncul bersamaan dengan keluhan seperti berdebar, mudah lelah, pusing, atau kualitas tidur yang memburuk.
• Kenali keterbatasan sensor. Posisi perangkat, gerakan, kontak dengan kulit, hingga algoritma yang digunakan dapat memengaruhi hasil. Pastikan penggunaan perangkat mengikuti petunjuk produsennya.
• Jangan mendiagnosis gangguan tidur dari grafik tahap tidur saja. Bila Anda mendengkur keras, sering terbangun, mengalami kantuk berat pada siang hari, atau memiliki keluhan tidur yang menetap, pemeriksaan tenaga kesehatan tetap diperlukan.
• Tindak lanjuti peringatan irama jantung yang berulang. Jika smartwatch berulang kali memberi notifikasi irama jantung tidak teratur, terutama bila disertai nyeri dada, sesak napas, pingsan, atau gejala berat lainnya, cari pertolongan medis.

AI kesehatan juga perlu memperhatikan privasi dan bias

Semakin banyak data tubuh yang diproses, semakin penting pula pertanyaan tentang siapa yang menyimpan data, bagaimana data digunakan, dan apakah model bekerja sama baiknya pada kelompok pengguna yang berbeda. 

World Health Organization (WHO) menekankan bahwa AI untuk kesehatan perlu dikembangkan dengan prinsip keselamatan, transparansi, perlindungan otonomi manusia, akuntabilitas, inklusivitas, dan keberlanjutan.

Pemrosesan langsung di perangkat berpotensi mengurangi sebagian kebutuhan untuk mengirim data mentah ke cloud, tetapi on-device AI juga bukan jaminan otomatis bahwa seluruh risiko privasi hilang. 

Pengguna tetap perlu memahami pengaturan privasi, izin berbagi data, dan tujuan penggunaan data kesehatan pada perangkat atau aplikasi yang dipakai.

Dari mencatat angka menjadi memahami pola

Perkembangan health foundation model menunjukkan perubahan arah teknologi wearable. Tujuannya bukan hanya menampilkan berapa kali jantung berdetak atau berapa jam seseorang tidur, tetapi juga memahami hubungan di antara berbagai sinyal dan perubahan yang terjadi dari waktu ke waktu.

Riset xMAE dan HiMAE menjadi contoh bagaimana AI dapat mempelajari hubungan fisiologis dan skala waktu yang berbeda dari data wearable.

Jika teknologi semacam ini terus divalidasi secara klinis, wearable berpotensi memberikan insight kesehatan yang semakin personal dan relevan dalam kehidupan sehari-hari.

Namun, semakin canggih analisisnya, semakin penting pula membedakan antara insight, skrining, dan diagnosis.

Smartwatch dapat membantu Anda mengenali pola tubuh yang sebelumnya sulit diamati. Tapi ingat, setiap keputusan medis tetap perlu mempertimbangkan gejala, riwayat kesehatan, pemeriksaan klinis, dan tes yang sesuai.