<![CDATA[Instabilitas hemodinamik merupakan prediktor utama kegagalan organ dan mortalitas pada pasien ICU. Monitoring konvensional sering gagal mendeteksi perburukan dini, sehingga mendorong pemanfaatan kecerdasan buatan (AI) untuk meningkatkan kemampuan deteksi dan prediksi ketidakstabilan hemodinamik. Systematic review ini mengikuti pedoman PRISMA 2020 dan menganalisis studi yang menggunakan machine learning atau deep learning untuk memprediksi hipotensi, kebutuhan vasopressor, atau instabilitas hemodinamik pada pasien dewasa di ICU. Enam database utama disaring, dan 16 studi memenuhi kriteria inklusi. Karena heterogenitas desain model dan luaran, sintesis dilakukan secara naratif. Studi yang diinklusi mencakup pengembangan model retrospektif, validasi multicenter, evaluasi prospektif, serta dua uji klinis teracak. Model multivariabel seperti HSI menunjukkan performa prediksi yang kuat (AUROC 0,76–0,90). Model dinamis seperti TvHEWS konsisten memberikan prediksi stabil denganpengurangan false alarms. Prediktor berbasis waveform, termasuk HPI, mampu mengantisipasi hipotensi 5–15menit sebelum onset, bahkan pada pasien sepsis. Pendekatan personalisasi (DynaCEL, HM-TARGET) menghasilkan target hemodinamik spesifik pasien. Studi prospektif menunjukkan penurunan durasi hipotensi, namun bukti dampak terhadap mortalitas dan kegagalan organ masih terbatas. AI berpotensi meningkatkan ketepatan monitoring hemodinamik dan intervensi dini di ICU, namun diperlukan uji klinis berskala besar untuk memastikan manfaat terhadap luaran klinis yang bermakna.]]>
