SENTRA ARTIFICIAL INTELLIGENCE

Iskandar Diagnosis Engine

Iskandar Diagnosis Engine

Iskandar Diagnosis Engine adalah pipeline CDSS inti dari Sentra Assist. Ia deterministik-pertama, berjalan sepenuhnya di peramban, dan dapat beroperasi offline. Engine menerima data pasien yang sudah dianonimkan dan menghasilkan saran diagnosis terurut beserta penalaran klinis, alert keselamatan, dan kode ICD-10.

Tujuan

Engine ini menggantikan emergency-only detector lama dengan CDSS penuh 159 penyakit. Dirancang untuk layanan primer Indonesia (FKTP) dan mengikuti model tata kelola yang ketat: anonimkan terlebih dahulu, deteksi darurat, cocokkan gejala, perkaya dengan LLM, validasi, lalu audit. Setiap langkah bersifat fail-closed dan setiap keluaran menyertakan disclaimer.

Layout direktori

lib/iskandar-diagnosis-engine/
├── engine.ts                          # Orkestrator utama — pipeline 8-langkah
├── get-suggestions-flow.ts            # Titik masuk dari sidepanel / bridge
├── diagnosis-algorithm.ts             # Confidence scoring dan pemeringkatan
├── symptom-matcher.ts                 # Deterministic KB matching (IDF + Coverage + Jaccard)
├── llm-reasoner.ts                    # Constrained LLM enrichment dengan fallback KB
├── traffic-light.ts                   # Gerbang keselamatan 8-aturan (escalation-only)
├── epidemiology-weights.ts            # Bayesian prior dari 45.030 kasus nyata
├── feature-flags.ts                   # Env-var-driven module gating
├── diagnosis-v2.ts                    # Shadow mode untuk engine V2
├── anonymizer.ts                      # PII stripping dan validasi
├── audit-logger.ts                    # Per-session audit trail
├── red-flags.ts                       # Aturan darurat hardcoded
├── validation/                        # Pipeline verifikasi ICD-10
│   └── index.ts
├── clinical-reasoning-*.ts            # Subsistem penalaran (differential, therapy, evidence)
├── pharmacotherapy-reasoner.ts        # Rekomendasi obat
├── chronic-disease-classifier.ts      # Deteksi penyakit kronis
├── trajectory-*.ts                    # Riwayat kunjungan dan analisis trajectory
└── index.ts                           # Export publik

Abstraksi kunci

CDSSEngineResult

Keluaran akhir dari pipeline. Berisi saran yang sudah divalidasi, red flags, alert, waktu pemrosesan, dan atribusi sumber.

MatchedCandidate

Penyakit dari KB dengan skor kecocokan, gejala yang cocok, dan metadata klinis (red flags, terapi, kriteria rujukan).

TrafficLightLevel

GREEN | YELLOW | RED. Ditentukan oleh gerbang keselamatan 8-aturan. Bersifat escalation-only: ketika sebuah aturan terpicu, level hanya dapat naik.

ConfidenceBand

very_high (>= 85) | high (>= 70) | moderate (>= 50) | low (< 50). Digunakan oleh algoritma diagnosis untuk melakukan tier tampilan.

Cara kerja

Pipeline 8-langkah

flowchart LR
    A[1. Anonimkan] --> B[2. Red Flags]
    B --> C[3. Symptom Matcher]
    C --> D[4. Bobot Epidemiologi]
    D --> E[5. LLM Reasoner]
    E --> F[6. Traffic Light]
    F --> G[7. Validasi]
    G --> H[8. Audit Log]

Langkah 1: Anonimkan (tidak pernah dilewati)

anonymize() menghapus PII dari encounter sebelum pemrosesan apa pun. validateAnonymization() menjalankan pemeriksaan fail-closed. Jika PII lolos, engine langsung melemparkan error dan tidak mengembalikan saran.

Langkah 2: Pemeriksaan red flag (pertama, tanpa dependensi API)

runRedFlagChecksFromContext() menjalankan aturan darurat hardcoded terhadap konteks yang sudah dianonimkan. Aturan ini mendeteksi pola seperti nyeri dada dengan hipotensi, perubahan status mental, atau dehidrasi berat. Jika red flag ditemukan, ia menjadi alert tetapi tidak menghentikan pipeline — engine tetap menghasilkan saran sambil menonjolkan kegawatdaruratan.

Langkah 3: Symptom matcher (deterministik, <100ms)

matchSymptoms() menilai keluhan pasien terhadap knowledge base 159 penyakit menggunakan kombinasi terbobot dari IDF, coverage, dan Jaccard similarity. Formulanya:

combined = idfScore * 0.5 + coverageScore * 0.3 + jaccardScore * 0.2

KB dimuat dari data/penyakit.json dan di-cache di memori. Tidak ada panggilan API.

Langkah 4: Bobot epidemiologi (Bayesian prior)

applyEpidemiologyWeights() menyesuaikan skor kecocokan berdasarkan prevalensi penyakit lokal dari 45.030 kasus nyata. Bobot dibatasi maksimum 1.35 untuk mencegah peningkatan berlebihan. Penyakit spesifik gender mendapatkan tambahan +0.05 ketika gender pasien sesuai dengan gender dominan dalam data.

Langkah 5: LLM reasoner (constrained enrichment)

runLLMReasoning() mengirimkan kandidat KB teratas ke LLM dengan system prompt yang ketat: hanya merangking dan memperkaya dari kandidat yang diberikan, tidak pernah menciptakan diagnosis baru. LLM mengembalikan penalaran, red flags, dan tindakan yang disarankan dalam Bahasa Indonesia.

Jika LLM tidak tersedia, engine melakukan fallback ke hasil KB saja. Jika kandidat KB teratas memiliki skor kecocokan di atas SENTRA_LLM_SKIP_THRESHOLD (default 0.65) dan pasien tidak memiliki penyakit kronis, panggilan LLM dilewati entirely untuk kecepatan.

Langkah 6: Traffic light (gerbang keselamatan 8-aturan)

classifyTrafficLight() menerapkan 8 aturan deterministik yang hanya dapat menaikan level keselamatan:

  1. Red flags KB — kandidat teratas memiliki red flags.
  2. Kriteria rujukan — kandidat teratas membutuhkan rujukan.

Mode dan safety

Mode KB-only (default, selalu aman)

Jika SENTRA_OPENAI_API_KEY kosong atau panggilan LLM gagal, engine otomatis jatuh ke mode KB-only. Mode ini adalah perilaku default yang aman dan tidak pernah gagal karena dependensi eksternal.

KB-first, LLM-opsional

runLLMReasoning() hanya memperkaya hasil KB. Ia tidak serta-merta menggantikan hasil KB. Kontroler feature-flags.ts menyediakan tiga flag utama:

  • enableOpenAI — gerbang master untuk panggilan LLM.
  • enableTrajectoryBridge — toggle untuk SYMPHONY safety bridge.
  • enableTherapy — toggle untuk pharmacotherapy reasoner.

Shadow mode untuk V2

diagnosis-v2.ts mengimplementasikan mesin diagnosis generasi terbaru yang berjalan dalam mode shadow: menghasilkan saran secara paralel tanpa menggantikan output engine utama. Hal ini memungkinkan evaluasi non-regresi di produksi sebelum aktivasi penuh.

Integrasi dengan dashboard bridge

Ketika autentikasi bridge tersedia, workbench memanggil engine kanonik Dashboard untuk memperkaya hasil Iskandar dengan evaluasi engine klinis kanonik sisi server. Kline tidak menggantikan saran Iskandar; ia menambahkan informasi seperti ranked differential, count of canonical eval, dan anamnesa extraction. Pendekatan ini memastikan defense-in-depth: saran lokal selalu tersedia meskipun server tidak dapat dijangkau.

Audit dan observabilitas

Setiap pemanggilan engine menghasilkan entri dalam audit-logger.ts. Entri mencakup:

  • Payload teranonimkan (PII di-strip)
  • Skor kecocokan per kandidat KB
  • Hasil LLM (jika dijalankan)
  • Level traffic light akhir
  • Disposisi saran

Log disimpan secara append-only dan dapat ditelusuri per sesi untuk kebutuhan governance.

Halaman terkait