Efek samping obat biasanya diidentifikasi melalui uji klinis terkontrol secara acak. Telah diketahui bahwa banyak efek samping yang tidak dapat diamati selama uji klinis karena keterbatasan ukuran sampel dan kerangka waktu. Program pengawasan pascapemasaran, seperti Adverse Event Reporting System (AERS), dirancang untuk membantu identifikasi efek samping setelah obat memasuki pasar. Namun, keterlambatan identifikasi efek samping obat diketahui menyebabkan morbiditas dan mortalitas yang tinggi dalam perawatan kesehatan masyarakat. (Naghavi et al., 2017; Sunshine et al., 2019)
Oleh karena itu, diperlukan pendekatan yang mampu menganalisis data secara menyeluruh dan memberikan prediksi yang akurat. Salah satu solusi yang menjanjikan adalah penerapan machine learning (ML). Machine learning merupakan bagian dari kecerdasan buatan (artificial intelligence atau AI) yang berfokus pada kemampuan sistem untuk belajar dari data dan membuat prediksi atau keputusan tanpa perlu diprogram secara eksplisit. Tidak semua metode AI menggunakan machine learning; beberapa sistem AI berbasis aturan (rule-based systems) tidak bergantung pada data untuk pembelajaran. Namun, dalam konteks prediksi efek samping obat, ML sangat diperlukan karena kemampuannya untuk menganalisis pola kompleks dalam data klinis dan farmakologis.
Pada penelitian yang dilakukan oleh (Galeano & Paccanaro, 2022), membandingkan beberapa model machine learning (ML) untuk memprediksi efek samping obat, antara lain:
- Geometric self-expressive model (GSEM)
- matrix factorization (MF)
- predictive pharmacosafety networks (PPNs)
- inductive ma trix completion (IMC)
- feature graph-regularized MF (FGRMF)
Akan tetapi, pada rangkaian tes yang dilakukan dengan efek samping lain yang diidentifikasi dalam uji klinis, GSEM mengungguli semua pesaing sebesar 1,4% – 13,3%.
Gambar Perbandingan hasil evaluasi efek samping dengan model ML berbeda (Galeano & Paccanaro, 2022)
GSEM (Geometric Self-Expressive Model) adalah pendekatan komputasi yang dirancang untuk memprediksi efek samping obat selama tahap pengembangan klinis. Pendekatan ini memungkinkan identifikasi dini efek samping tanpa harus menunggu data pascapemasaran terkumpul. Dalam model ini, efek samping yang teridentifikasi selama uji klinis digunakan untuk melatih algoritma, yang kemudian diujikan untuk memprediksi efek samping yang mungkin muncul setelah obat dipasarkan. (Galeano & Paccanaro, 2022)
Gambar Konsep prosedur evaluasi prediksi efek samping (Galeano & Paccanaro, 2022)
Pendekatan ini merupakan langkah inovatif karena mampu memprediksi keberadaan efek samping bahkan ketika hanya tersedia data uji klinis yang terbatas. Dengan mengintegrasikan metode ini, prediksi dapat dilakukan lebih awal, membantu para profesional keamanan obat dalam membuat keputusan yang lebih cepat dan akurat. Selain itu, GSEM dapat digunakan untuk memperkirakan frekuensi efek samping obat pada pasien, sehingga memperkuat proses deteksi dini terhadap efek samping yang jarang terjadi dan sulit terdeteksi dalam uji klinis berskala kecil. (Galeano & Paccanaro, 2022)
Penulis dan Afiliasi
Ricky Rianto_22416248201100_FM22C_Farmasi_Universitas Buana Perjuangan Karawang
Daftar Pustaka
Galeano, D., & Paccanaro, A. (2022). Machine learning prediction of side effects for drugs in clinical trials. Cell Reports Methods, 2(12). https://doi.org/10.1016/j.crmeth.2022.100358
Naghavi, M., Abajobir, A. A., Abbafati, C., Abbas, K. M., Abd-Allah, F., Abera, S. F., Aboyans, V., Adetokunboh, O., Afshin, A., Agrawal, A., Ahmadi, A., Ahmed, M. B., Aichour, A. N., Aichour, M. T. E., Aichour, I., Aiyar, S., Alahdab, F., Al-Aly, Z., Alam, K., … Murray, C. J. L. (2017). Global, regional, and national age-sex specific mortality for 264 causes of death, 1980–2016: a systematic analysis for the Global Burden of Disease Study 2016. The Lancet, 390(10100), 1151–1210. https://doi.org/10.1016/S0140-6736(17)32152-9
Sunshine, J. E., Meo, N., Kassebaum, N. J., Collison, M. L., Mokdad, A. H., & Naghavi, M. (2019). Association of Adverse Effects of Medical Treatment With Mortality in the United States: A Secondary Analysis of the Global Burden of Diseases, Injuries, and Risk Factors Study. JAMA Network Open, 2(1), e187041. https://doi.org/10.1001/jamanetworkopen.2018.7041
Penulis: Ricky Rianto – 22416248201100 – FM22C – Farmasi UBP Karawang
