Riset obat, yang dulu butuh waktu bertahun-tahun, kini bisa dipangkas jauh lebih singkat berkat Artificial Intelligence (AI). Tapi, di balik kecepatan itu, muncul satu pertanyaan yang sama pentingnya: seberapa aman hasil riset yang dipercepat mesin ini kalau sampai ke tangan pasien?
Cara lama mencari kandidat obat mengharuskan peneliti menguji ribuan bahkan jutaan senyawa kimia satu per satu di laboratorium, proses yang mahal, lambat, dan sering berujung kegagalan. Dengan machine learning, tahap penyaringan awal ini bisa jauh lebih cepat karena algoritma mampu mempelajari pola dari data dalam skala besar. Studi di jurnal Nature Reviews Drug Discovery mencatat bahwa penerapan AI kini merambah berbagai tahap riset obat, mulai dari prediksi target molekuler sampai desain uji klinis (Vamathevan et al., 2019).
Bukti paling sering dibahas soal kecepatan ini adalah penemuan halicin, kandidat antibiotik baru dari tim MIT yang ditemukan lewat deep learning. Senyawa ini terbukti efektif melawan sejumlah bakteri yang sudah resisten terhadap antibiotik biasa, sesuatu yang sebelumnya sulit ditemukan lewat metode konvensional (Stokes et al., 2020).
Kecepatan Bukan Jaminan Keamanan
Namun, kecepatan riset yang meningkat pesat ini justru memunculkan pertanyaan baru soal keamanan. AI memang bisa menyaring kandidat obat lebih cepat, tapi proses pembuktian ilmiah tetap harus dilalui dengan standar yang sama ketatnya. Uji praklinis, uji klinis fase I sampai III pada manusia, dan tinjauan dari lembaga regulator tetap wajib dijalani. AI mempersempit senyawa yang perlu diteliti, bukan menghilangkan tahapan yang memang dibutuhkan demi keamanan pasien.
Persoalan lain muncul dari sisi data yang dipakai untuk melatih algoritma. Studi di jurnal Science pernah menemukan algoritma kesehatan yang hasilnya kurang akurat untuk kelompok pasien tertentu, karena data pelatihannya kurang mewakili semua kelompok masyarakat (Obermeyer et al., 2019). Kalau pola serupa terjadi di riset obat, hasilnya bisa berupa senyawa yang kurang efektif atau kurang aman bagi kelompok pasien yang datanya minim terwakili.
Regulasi Coba Mengejar
Sadar akan risiko ini, sejumlah lembaga kesehatan mulai menyusun aturan main. WHO dalam panduan etika penggunaan AI di bidang kesehatan menekankan pentingnya transparansi dan akuntabilitas sistem yang digunakan, termasuk kejelasan soal siapa yang bertanggung jawab jika terjadi kesalahan (WHO, 2021).
FDA di Amerika Serikat juga sudah menyusun kerangka kerja khusus untuk perangkat kesehatan berbasis AI/machine learning, lengkap dengan mekanisme pemantauan performa model secara berkelanjutan setelah produk beredar (U.S. FDA, 2021). Ini penting karena sistem AI, berbeda dari obat konvensional yang formulanya tetap, bisa berubah performanya seiring waktu karena terus belajar dari data baru.
Jadi, Perlu Khawatir atau Tidak?
Kecepatan yang dihadirkan AI dalam riset farmasi memang membawa harapan besar, terutama untuk penyakit yang butuh solusi cepat seperti resistensi antibiotik. Tapi kecepatan ini tetap perlu diimbangi pengawasan yang memadai, mulai dari validasi data sampai regulasi yang terus diperbarui. Keamanan pasien tidak boleh dikorbankan demi kecepatan proses, dan di titik inilah peran manusia, mulai dari peneliti, regulator, sampai tenaga farmasi, tetap jadi penentu akhir sebelum obat benar-benar sampai ke tangan pasien.
Daftar Rujukan
Stokes, J. M., Yang, K., Swanson, K., et al. (2020). A Deep Learning Approach to Antibiotic Discovery. Cell, 180(4), 688–702. https://doi.org/10.1016/j.cell.2020.01.021
Baca juga : Artificial Intelligence sebagai Pendukung Farmakovigilans
World Health Organization (WHO). (2021). Ethics and Governance of Artificial Intelligence for Health. https://www.who.int/publications/i/item/9789240029200
U.S. Food and Drug Administration (FDA). (2021). Artificial Intelligence/Machine Learning (AI/ML)-Based Software as a Medical Device (SaMD) Action Plan. https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-software-medical-device
Baca juga : Bertanya Obat kepada AI: Kemudahan Baru atau Risiko Baru?
Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453. https://doi.org/10.1126/science.aax2342
Vamathevan, J., Clark, D., Czodrowski, P., et al. (2019). Applications of machine learning in drug discovery and development. Nature Reviews Drug Discovery, 18, 463–477. https://doi.org/10.1038/s41573-019-0024-5
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.