Contoh Penerapan Artificial Intelligence di Bidang Farmasi, Kesehatan

Liana Threestayanti - Rabu, 29 April 2020 | 10:00 WIB

Contoh penerapan artificial intelligence (AI) di sektor farmasi dan kesehatan dapat membantu di beberapa area. Inilah beberapa di antaranya.

Contoh penerapan AI di sektor farmasi dan kesehatan memiliki potensi disrupsi yang cukup besar. Mulai dari pengembangan obat-obatan hingga riset klinis, penerapan AI dapat membantu meningkatkan kesehatan pasien dengan biaya yang lebih terjangkau.

AI dan sektor farmasi serta kesehatan adalah pasangan yang serasi. Algoritme machine learning memiliki kemampuan menganalisis dataset dalam jumlah sangat besar dan menemukan pola-pola bermakna di dalamnya. Sementara itu, sektor farmasi dan kedokteran adalah dua disiplin ilmu yang kaya akan data dengan kompleksitas tinggi. Ketika kita bicara tentang analisis, misalnya data medis, genetic profiling, penemuan obat, dan lain-lain, mesin cerdas berkemampuan tinggi dapat menghadirkan proses yang lebih efektif dan efisien.

Inilah contoh-contoh penerapan artificial intelligence di bidang farmasi dan kesehatan.

Penemuan dan Uji Obat-obatan

Penemuan obat di industri farmasi dirasakan kian kompetitif dan mahal. Meski teknologinya terus berkembang, biaya pengembangan obat baru naik dua kali lipat setiap sembilan tahun.

Situasi ini mendorong perusahaan-perusahaan farmasi terkemuka di dunia mencari metode-metode baru untuk menekan biaya R&D dan mengurangi kesalahan-kesalahan yang bisa menyebabkan biaya tinggi.

Pada tahun 2017, beberapa perusahaan farmasi berskala global bermitra dengan startup AI. Misalnya, AstraZeneca menggandeng startup biofarma Berg untuk mengembangkan biomarker dan obat penyakit saraf. Kemudian anak perusahaan Roche, Genentech bermitra dengan GNS Healthcare untuk menganalisis terapi onkologi. Genentech ingin memanfaatkan machine learning untuk melakukan modeling berdasarkan data pasien kanker guna mengembangkan terapi baru untuk pengobatan kanker.

Perusahaan farmasi mengaplikasikan AI untuk mengembangkan diagnosis dan biomarker yang lebih baik, mengidentifikasi target obat baru dan merancang obat baru.

Contoh penerapan lainnya adalah deep learning untuk repurposing obat. Di area ini, komputasi bekerja mengidentifikasi potensi penggunaan baru dari obat-obatan yang sudah ada. Di sini, algoritme deep learning akan menguji teori-teori baru berdasarkan input yang tepat.

Algoritme AI juga dapat mengidentifikasi molekul yang gagal di uji klinis, lalu memprediksi bagaimana senyawa yang sama itu dapat diaplikasikan untuk mengobati penyakit lainnya.

Analisis berbasis AI pun pastinya akan mengakselerasi R&D. Menemukan dan memilih molekul untuk obat-obatan baru adalah tugas yang sarat dalam penggunaan data. Dalam dunia farmasi ada yang dinamai chemical space, di mana di dalamnya adalah katalog berisi kurang lebih 1060 molekul yang berpotensi dikembangkan menjadi senyawa untuk obat-obatan baru. Dengan AI, perusahaan farmasi dapat membuat lebih sedikit molekul tapi dengan tingkat akurasi yang lebih tinggi.

Produksi dan Penjualan Obat-obatan

Dalam memproduksi obat, dan menjualnya, ada faktor-faktor yang memengaruhi konsumsi dan penjualan obat-obatan tertentu, seperti musim, cuaca, dan kualitas udara.

Machine learning dapat membantu memprediksi dan mencegah terjadinya kelebihan dan kekurangan permintaan, masalah pada supply chain, kegagalan di lini produksi, dan lain-lain. Bagi perusahaan farmasi, insight tersebut dapat membantu menghemat biaya produksi maupun logistik.

Informasi seperti data lingkungan dan pergerakan orang memungkinkan perusahaan farmasi memprediksi kebutuhan obat-obatan tertentu di daerah-daerah tertentu. Dengan demikian, tim penjualan pun dapat bekerja dengan lebih efisien dan dapat menyediakan obat-obatan yang tepat di waktu dan tempat yang tepat pula.

Alat Bantu Diagnosis

Di sektor layanan kesehatan, diagnosis terhadap pasien dilakukan berdasarkan gejala. Dan gejala diperoleh melalui tes, data historis pasien, dan faktor-faktor lain. Ada situasi di mana diagnosis bergantung pada sejumlah besar data yang berbeda. Di sini AI bisa berperan.

Namun harus diingat tidak ada algoritme yang benar-benar sempurna mendiagnosis penyakit. Diagnostic assistance tugasnya hanyalah membantu dokter dengan memberikan data atau rekomendasi diagnosis secara real time.

Beberapa contoh penerapan AI di area ini adalah image recognition untuk mendeteksi penyakit diabetes berdasarkan gambar retina atau mendeteksi anomali pada aktivitas jantung dan sebagainya.

Bahkan AI dapat berperan signifikan dengan melakukan text mining terhadap jurnal-jurnal kesehatan dan rekam medis elektronik. Aktivitas ini disebut sebagai biomedical text mining.

Pada bulan Desember 2016, IBM mengumumkan bahwa Pfizer adalah organisasi pertama yang memanfaatkan platform berbasis cloud Watson for Drug Discovery. Program deep learning milik IBM mengakumulasikan data dari 25 juta abstraksi artikel Medline dan 1 juta artikel dari jurnal kesehatan. Ketika seorang periset melakukannya, ia harus membaca 200-300 artikel per tahun.

Biomedicine text analysis ini dapat menghasilkan sebuah basis pengetahuan tentang kesehatan, mentranslasi anamnesa ke dalam format data yang bisa dibaca oleh mesin, dan memahami isu-isu kesehatan pasien.

Optimalisasi Proses Perawatan Medis

Banyak kemajuan dalam kemampuan deep learning untuk mengambil keputusan. Semakin mudah kita memprediksi suatu hasil. Namun tantangan yang belum sepenuhnya terjawab adalah apa solusi agar hasil tersebut dapat kita ubah.

Di area ini, satu cabang ilmu data, yaitu process mining dapat dimanfaatkan, misalnya untuk menganalisis rekam medis dari ribuan pasien untuk mendapatkan metode perawatan yang lebih optimal dan meningkatkan efisiensi dalam proses perawatan.

Ke depannya kita juga akan menjumpai penggunaan micro biosensor dan perangkatnya, serta aplikasi-aplikasi canggih yang mengusung kemampuan health measurement dan remote health monitoring. Data-data dari perangkat dapat meningkatkan R&D dan efikasi perawatan.

Analisis data klinis dalam jumlah besar dapat membantu rumah sakit memberi perawatan terbaik dengan biaya rendah bagi pasiennya. Bahkan dengan data-data personal, penyedia layanan kesehatan dapat mengoptimalkan jangka waktu perawatan pasien di rumah sakit atau menentukan kapan pasien harus menemui dokter.