ナスルル、ヘンリー・サプトノ、ルスマントは2026年、KomputasiでAIベースの健康スクリーニング情報システムを提案した。分類された健康スクリーニング結果から、運動と栄養に関する推奨を生成する仕組みである。糖尿病、高血圧、代謝異常などの非感染性疾患が増えるなか、既存のスクリーニングシステムが通常は検査結果だけを返し、予防医療に向けた自動の教育的ガイダンスを提供しない点に対応した。

研究者はResearch and Development（R&D）アプローチを採用し、Extreme Programming（XP）ソフトウェア開発手法でシステムを構築した。実装にはLaravelフレームワーク、Filament管理パネル、OpenAI API経由のLarge Language Modelを用い、構造化されたスクリーニングカテゴリから推奨文を生成した。

アーキテクチャは、構造化プロンプト・エンジニアリング（モデル指示を精密に設計する手法）、事前定義されたAIガードレール（モデルの動作を制限する規則）、SHA-256プロンプトハッシュ、推奨内容のキャッシュを組み合わせた。これらの構成要素は、推奨の一貫性を高め、計算効率を上げ、同一の健康スクリーニングデータがすでに処理されている場合の反復的なAIリクエストを減らす目的だったとされる。

システムはUser Acceptance TestingとAI Recommendation Consistency Evaluationで評価された。User Acceptance Testingでは、すべての機能要件が正常に満たされた。同一の健康スクリーニングデータを繰り返し処理した場合、推奨は安定しており、平均の定性的な一貫性スコアは90.4%、平均TF–IDFコサイン類似度は0.784だった。

ナスルル、ヘンリー・サプトノ、ルスマントは2026年、KomputasiでAIベースの健康スクリーニング情報システムを提案した。分類された健康スクリーニング結果から、運動と栄養に関する推奨を生成する仕組みである。糖尿病、高血圧、代謝異常などの非感染性疾患が増えるなか、既存のスクリーニングシステムが通常は検査結果だけを返し、予防医療に向けた自動の教育的ガイダンスを提供しない点に対応した。

研究者はResearch and Development（R&D）アプローチを採用し、Extreme Programming（XP）ソフトウェア開発手法でシステムを構築した。実装にはLaravelフレームワーク、Filament管理パネル、OpenAI API経由のLarge Language Modelを用い、構造化されたスクリーニングカテゴリから推奨文を生成した。

アーキテクチャは、構造化プロンプト・エンジニアリング（モデル指示を精密に設計する手法）、事前定義されたAIガードレール（モデルの動作を制限する規則）、SHA-256プロンプトハッシュ、推奨内容のキャッシュを組み合わせた。これらの構成要素は、推奨の一貫性を高め、計算効率を上げ、同一の健康スクリーニングデータがすでに処理されている場合の反復的なAIリクエストを減らす目的だったとされる。

システムはUser Acceptance TestingとAI Recommendation Consistency Evaluationで評価された。User Acceptance Testingでは、すべての機能要件が正常に満たされた。同一の健康スクリーニングデータを繰り返し処理した場合、推奨は安定しており、平均の定性的な一貫性スコアは90.4%、平均TF–IDFコサイン類似度は0.784だった。