Keamanan obat tidak berhenti ketika suatu produk memperoleh izin edar. Setelah digunakan oleh masyarakat luas, efek samping yang jarang ditemukan pada tahap uji klinis dapat muncul dan membentuk sinyal keamanan baru. Di sinilah farmakovigilans memiliki peran penting dalam mendeteksi, menilai, memahami, dan mencegah masalah yang berkaitan dengan penggunaan obat.
Tantangannya, jumlah laporan kejadian tidak diinginkan terus bertambah, sementara informasi mengenai efek samping dapat tersebar dalam laporan spontan, rekam medis elektronik, literatur ilmiah, hingga catatan klinis berbentuk teks. Kondisi tersebut membuat proses identifikasi secara manual semakin kompleks dan memerlukan sumber daya besar. Pemanfaatan artificial intelligence (AI) menjadi salah satu pendekatan yang berpotensi membantu proses tersebut agar sinyal keamanan dapat dikenali lebih awal (Desai, 2024).
AI, terutama melalui machine learning, deep learning, dan natural language processing (NLP), memungkinkan pengolahan data keselamatan obat dalam jumlah besar secara lebih sistematis. NLP, misalnya, dapat digunakan untuk membaca teks klinis dan mengenali informasi mengenai nama obat, keluhan pasien, serta kemungkinan hubungan antara obat dan kejadian yang dialami.
Li et al. (2024) menunjukkan bahwa metode deep learning memiliki kemampuan yang menjanjikan dalam mengekstraksi adverse drug events dari data klinis, bahkan model berbasis BERT menunjukkan kinerja yang kuat pada beberapa tugas ekstraksi informasi. Kemampuan semacam ini penting karena sebagian informasi keselamatan obat justru tersimpan dalam bentuk narasi yang sulit dianalisis menggunakan metode statistik konvensional saja.
Manfaat AI dalam farmakovigilans tidak hanya terletak pada kecepatannya mengolah data. Teknologi ini juga membuka peluang untuk melakukan pendekatan yang lebih prediktif. Denck et al. (2023) menjelaskan bahwa model machine learning mulai dikembangkan untuk memperkirakan risiko kejadian obat yang merugikan berdasarkan data kesehatan observasional, termasuk karakteristik pasien dan informasi klinis lainnya. Perkembangan ini semakin penting karena risiko efek samping tidak selalu sama pada setiap pasien.
Baca juga : Bertanya Obat kepada AI: Kemudahan Baru atau Risiko Baru?
Penelitian yang lebih baru juga menunjukkan bahwa model AI dapat memanfaatkan kombinasi data demografi, hasil laboratorium, dan komorbiditas untuk memprediksi adverse drug reactions pada pasien rawat inap (Dsouza et al., 2025). Dengan demikian, farmakovigilans berpotensi berkembang dari sistem yang terutama bereaksi setelah laporan muncul menjadi sistem yang lebih mampu mengantisipasi risiko.
Dalam praktiknya, kemampuan mendeteksi sinyal lebih awal juga dapat membantu tenaga farmakovigilans mengatur prioritas penanganan kasus. Laporan dengan pola kejadian yang berulang, tingkat keparahan tinggi, atau muncul pada kelompok pasien tertentu dapat lebih cepat ditandai untuk memperoleh evaluasi lanjutan. Hal ini penting karena keterlambatan mengenali pola efek samping berpotensi membuat risiko yang sama terus terjadi pada pasien lain sebelum tindakan pencegahan dilakukan.
Meski demikian, hasil analisis AI tetap perlu dipahami sebagai petunjuk awal yang harus diperiksa kembali, bukan sebagai kesimpulan final. Keakuratan sistem sangat bergantung pada kelengkapan dan mutu data yang digunakan, sehingga laporan yang tidak lengkap, penggunaan istilah yang berbeda-beda, atau pencatatan klinis yang tidak konsisten dapat memengaruhi hasil deteksi. Oleh sebab itu, penguatan kualitas pelaporan dan standardisasi data tetap menjadi bagian yang tidak terpisahkan dari pemanfaatan AI dalam farmakovigilans.
Namun, penggunaan AI tidak serta-merta menggantikan penilaian tenaga kesehatan. Kompa et al. (2022), berdasarkan kajian terhadap ratusan penelitian mengenai machine learning dalam farmakovigilans, menemukan bahwa penerapan metode AI yang memenuhi praktik machine learning yang baik masih relatif terbatas. Persoalan kualitas data, bias algoritma, validasi model, transparansi proses analisis, serta kemungkinan munculnya sinyal palsu tetap harus diperhatikan. Sebuah pola yang ditemukan oleh algoritma juga belum otomatis menunjukkan bahwa suatu obat menjadi penyebab suatu kejadian. Hubungan sebab-akibat tetap membutuhkan penilaian klinis, evaluasi bukti, dan pertimbangan farmakologis oleh tenaga yang kompeten.
Karena itu, posisi AI yang paling tepat dalam farmakovigilans adalah sebagai alat pendukung pengambilan keputusan, bukan pengganti pertimbangan profesional. AI dapat membantu menyaring ribuan laporan, menandai pola yang tidak biasa, dan menentukan kasus yang perlu diprioritaskan untuk ditinjau lebih lanjut. Sementara itu, apoteker, dokter, regulator, dan tenaga farmakovigilans tetap memegang peranan dalam menilai relevansi klinis serta hubungan kausalitasnya.
Baca juga : Peran AI di Balik Percepatan Riset dan Pengembangan Obat
Kolaborasi antara kemampuan komputasi dan kompetensi manusia inilah yang dapat membuat pengawasan keamanan obat menjadi lebih cepat tanpa mengorbankan ketelitian. Jika dikembangkan dengan data yang berkualitas, validasi yang memadai, dan tata kelola yang bertanggung jawab, AI dapat menjadi bagian penting dalam membangun sistem farmakovigilans yang lebih proaktif dan berorientasi pada keselamatan pasien.
Referensi
Denck, J., Ozkirimli, E., & Wang, K. (2023). Machine-learning-based adverse drug event prediction from observational health data: A review. Drug Discovery Today, 28(9). https://doi.org/https://doi.org/10.1016/j.drudis.2023.103715
Desai, M. K. (2024). Artificial intelligence in pharmacovigilance—Opportunities and challenges. Perspectives in Clinical Research, 15(3), 116–121. https://doi.org/https://doi.org/10.4103/picr.picr_290_23
Dsouza, V. S., Leyens, L., Kurian, J. R., Brand, A., & Brand, H. (2025). Artificial intelligence (AI) in pharmacovigilance: A systematic review on predicting adverse drug reactions (ADR) in hospitalized patients. Research in Social and Administrative Pharmacy, 21(6), 453–462. https://doi.org/https://doi.org/10.1016/j.sapharm.2025.02.008
Baca juga : Bertanya Obat kepada AI: Kemudahan Baru atau Risiko Baru?
Kompa, B., Hakim, J. B., & Palepu, A. (2022). Artificial intelligence based on machine learning in pharmacovigilance: A scoping review. Drug Safety, 45, 477–491. https://doi.org/https://doi.org/10.1007/s40264-022-01176-1
Li, Y., Tao, W., Li, Z., & Sun, Z. (2024). Artificial intelligence-powered pharmacovigilance: A review of machine and deep learning in clinical text-based adverse drug event detection for benchmark datasets. Journal of Biomedical Informatics, 152. https://doi.org/10.1016/j.jbi.2024.104621.
Powered by Froala Editor
Update berita dan artikel RM.ID menarik lainnya di Google News
Dapatkan juga update berita pilihan dan breaking news setiap hari dari RM.id. Mari bergabung di Grup Telegram "Rakyat Merdeka News Update", caranya klik link https://t.me/officialrakyatmerdeka kemudian join. Anda harus install aplikasi Telegram terlebih dulu di ponsel.