Pemanfaatan Artificial Intelligence untuk Mendukung Ketepatan Terapi Obat

Keberhasilan terapi obat tidak hanya ditentukan oleh ketepatan diagnosis, tetapi juga oleh pemilihan obat, dosis, waktu pemberian, serta kondisi masing-masing pasien. Obat yang memberikan hasil baik pada satu pasien belum tentu menghasilkan respons yang sama pada pasien lain. Perbedaan usia, fungsi ginjal dan hati, penyakit penyerta, penggunaan beberapa obat sekaligus, hingga karakteristik genetik dapat memengaruhi efektivitas maupun keamanan terapi. Banyaknya faktor yang perlu dipertimbangkan membuat pengambilan keputusan terkait obat menjadi semakin kompleks. Dalam kondisi tersebut, pemanfaatan Artificial Intelligence (AI) dapat menjadi salah satu pendekatan untuk membantu tenaga kesehatan memperoleh informasi yang lebih terarah sebelum menentukan terapi.

Kemampuan AI dalam mengolah data dalam jumlah besar menjadi salah satu keunggulan yang relevan dalam pelayanan kefarmasian. Sistem berbasis AI dapat memanfaatkan informasi dari rekam medis elektronik, hasil pemeriksaan laboratorium, riwayat penggunaan obat, hingga karakteristik klinis pasien untuk mengenali pola yang sulit dianalisis secara cepat melalui penilaian manual. Pemanfaatan tersebut terutama dapat mendukung proses pemilihan obat dan mengidentifikasi kemungkinan masalah terkait pengobatan.

Damiani et al. (2023), melalui systematic review mengenai penggunaan algoritma dan AI dalam manajemen obat di pelayanan primer, menemukan bahwa 10 dari 14 penelitian yang ditelaah melaporkan penurunan kesalahan pengobatan. Temuan tersebut menunjukkan bahwa penggunaan teknologi dapat memberi manfaat ketika diarahkan untuk mendukung keputusan tenaga kesehatan, terutama dalam mendeteksi peresepan yang tidak tepat, kesalahan dosis, dan potensi interaksi obat.

Peran AI juga semakin penting dalam upaya menuju terapi yang lebih individual. Selama ini, pemberian dosis sering mengacu pada rekomendasi berdasarkan kelompok populasi, kemudian disesuaikan dengan kondisi pasien. Pendekatan machine learning memungkinkan berbagai variabel pasien dianalisis bersama untuk memperkirakan dosis yang lebih sesuai. Li et al. (2024) menjelaskan bahwa machine learningtelah dikembangkan untuk membantu pemilihan dan optimasi dosis, baik sebelum terapi dimulai maupun setelah tersedia data respons dan pemantauan kadar obat. Pendekatan seperti ini menarik terutama pada obat dengan rentang terapi sempit, karena perubahan kadar yang relatif kecil dapat memengaruhi efektivitas atau meningkatkan risiko toksisitas. Meskipun demikian, keterbatasan validasi eksternal pada sejumlah model masih menjadi persoalan sehingga hasil prediksi AI belum dapat digunakan secara otomatis sebagai dasar tunggal pemberian terapi.

Baca juga : Menjadi Apoteker di Era AI: Siapkah Kita Beradaptasi Menuju Era Digital?

Manfaat lain yang cukup nyata adalah kemampuan AI dalam membantu mengenali interaksi antarobat. Hal ini semakin relevan pada pasien dengan penyakit kronis yang menggunakan beberapa jenis obat secara bersamaan. Zhang et al. (2024) menunjukkan bahwa metode berbasis AI telah banyak dikembangkan untuk memprediksi drug-drug interactions melalui pengolahan berbagai informasi mengenai obat. Prediksi tersebut dapat membantu tenaga kesehatan mengenali kombinasi obat yang berisiko sebelum menimbulkan masalah klinis pada pasien. Dengan demikian, AI tidak hanya berpotensi meningkatkan efektivitas terapi, tetapi juga memperkuat aspek keselamatan penggunaan obat.

Walaupun demikian, penggunaan teknologi tidak selalu berarti semakin banyak peringatan akan semakin baik. Sistem pendukung keputusan klinis yang menghasilkan terlalu banyak peringatan justru dapat menyebabkan alert fatigue, yaitu kondisi ketika tenaga kesehatan terbiasa menerima peringatan sehingga informasi yang benar-benar penting berisiko terabaikan. (Graafsma et al., 2024) menunjukkan bahwa AI dapat digunakan untuk membuat peringatan terkait obat menjadi lebih relevan dengan menyaring dan memprioritaskan informasi berdasarkan kondisi klinis pasien. Namun, penelitian mengenai penerapannya masih membutuhkan validasi yang lebih luas sebelum dapat diimplementasikan secara konsisten dalam praktik pelayanan kesehatan.

Nilai utama AI dalam terapi obat bukan terletak pada kemampuannya menggantikan keputusan tenaga kesehatan, melainkan pada kemampuannya menyediakan dasar informasi yang lebih cepat dan spesifik terhadap pasien. Perkembangan machine learning dalam therapeutic drug monitoring, misalnya, mulai diarahkan untuk memperkirakan paparan obat serta membantu penyesuaian dosis secara individual. Namun, Sayadi et al. (2026) menekankan bahwa penerapannya masih menghadapi persoalan akses dan kualitas data, interpretabilitas model, serta integrasinya ke dalam alur pelayanan klinis. Karena itu, keputusan akhir mengenai terapi tetap membutuhkan pertimbangan dokter dan apoteker yang memahami kondisi pasien secara menyeluruh.

Pemanfaatan AI pada akhirnya seharusnya diarahkan untuk memperkuat prinsip penggunaan obat yang rasional, dimana pasien yang tepat, obat yang tepat, dosis yang tepat, serta pemantauan yang tepat. Jika dikembangkan menggunakan data berkualitas, diuji pada populasi yang beragam, dan diterapkan dengan pengawasan tenaga kesehatan, AI dapat menjadi instrumen penting untuk mendukung terapi obat yang semakin aman, efektif, dan sesuai dengan kebutuhan individual pasien.

Baca juga : AI di Dunia Farmasi: Kawan Diskusi, Bukan Pengganti Apoteker

Referensi

Damiani, G., Altamura, G., & Zedda, M. (2023). Potentiality of algorithms and artificial intelligence adoption to improve medication management in primary care: A systematic review. BMJ Open, 13(3). https://doi.org/https://doi.org/10.1136/bmjopen-2022-065301

Graafsma, J., Murphy, R. M., van de Garde, E. M. W., Karapinar-Çarkit, F., Derijks, H. J., Hoge, R. H. L., Klopotowska, J. E., & van den Bemt, P. M. L. A. (2024). The use of artificial intelligence to optimize medication alerts generated by clinical decision support systems: A scoping review. Journal of the American Medical Informatics Association, 31(6), 1411–1422. https://doi.org/https://doi.org/10.1093/jamia/ocae076

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

Baca juga : Dari 10 Tahun Jadi Hitungan Hari: Revolusi AI dalam Mempercepat Penemu Obat Baru

Sayadi, H., Fromage, Y., & Labriffe, M. (2026). Optimized therapeutic drug monitoring: The role of machine learning models. Expert Review of Clinical Pharmacology, 19(1), 17–26. https://doi.org/https://doi.org/10.1080/17512433.2025.2611431

Zhang, Y., Deng, Z., Xu, X., Feng, Y., & Junliang, S. (2024). Application of artificial intelligence in drug-drug interactions prediction: A review. Journal of Chemical Information and Modeling, 64(7), 2158–2173. https://doi.org/https://doi.org/10.1021/acs.jcim.3c00582

M ALI AKBAR
Mahasiswa Farmasi Universitas Batam

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.