📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 5 dokumenPERANCANGAN SISTEM PENDUKUNG KEPUTUSAN KLINIS BERBASIS AI UNTUK PREDIKSI INTERAKSI OBAT DARI KELUHAN PASIEN BERBAHASA INDONESIA
Interaksi obat merupakan salah satu penyebab utama efek samping yang tidak diinginkan dalam praktik klinis. Di Indonesia, tenaga kesehatan masih menghadapi keterbatasan sistem pendukung keputusan klinis (Clinical Decision Support System/CDSS) yang mampu memproses keluhan pasien berbahasa Indonesia secara otomatis. Penelitian ini merancang dan mengimplementasikan sistem CDSS hibrida yang mengintegrasikan tiga modul utama, yaitu: (1) modul Named Entity Recognition (NER) berbasis IndoBERT dengan Conditional Random Field (CRF) untuk mengekstraksi entitas medis dari teks keluhan pasien berbahasa Indonesia, (2) modul prediksi Drug-Drug Interaction (DDI) berbasis arsitektur Multi-type Feature Fusion Graph Neural Network (MFFGNN) yang menggabungkan representasi SMILES melalui Bi-GRU, graf molekul melalui GIN, dan graf interaksi melalui Fusion GCN, serta (3) modul Retrieval-Augmented Generation (RAG) menggunakan FAISS dan Gemini 2.5 Flash/Flash-Lite untuk menghasilkan laporan klinis yang informatif dan transparan. Hasil evaluasi menunjukkan bahwa modul NER mencapai rata-rata F1-score sebesar 0,9961 pada validasi silang 5-fold. Modul DDI memperoleh ROC-AUC sebesar 0,9539 pada dataset ChCh-Miner. Pada modul RAG, penggunaan basis pengetahuan berisi 592.122 dokumen berhasil menurunkan tingkat halusinasi konten dari 16,9% pada mode tanpa RAG menjadi 9,6% pada mode dengan RAG, atau mengalami reduksi sebesar 42,9%. Selain itu, sistem menghasilkan 365 sitasi sumber pada 78 dari 83 kasus end-to-end (94,0%), sedangkan mode tanpa RAG tidak menghasilkan sitasi sama sekali. Seluruh kebutuhan fungsional (F01–F04) berhasil dipenuhi. Dukungan terhadap 130 alias obat menghasilkan keandalan prediksi DDI sebesar 81,2% pada 96 pasangan obat dari 83 kasus uji. Pasangan obat yang tidak tersedia pada basis data ChCh-Miner ditangani secara konservatif melalui mekanisme abstain. Dari sisi non-fungsional, sistem mencapai rata-rata waktu respons sebesar 6,2 detik dan memenuhi target operasional di bawah 10 detik. Hasil penelitian menunjukkan bahwa pendekatan hibrida NER-DDI-RAG memiliki potensi sebagai CDSS yang mampu memproses keluhan pasien berbahasa Indonesia untuk menghasilkan prediksi interaksi obat beserta laporan klinis pendukung secara otomatis, baik bagi tenaga kesehatan maupun pasien.
STUDI INTERAKSI PADATAN FAVIPIRAVIR DENGAN BEBERAPA SENYAWA VITAMIN, ANTIRADANG, DAN ANTIBIOTIKA DAN PENGARUHNYA TERHADAP SIFAT FISIKOKIMIA SERTA PREDIKSI TOKSISITASNYA
Favipiravir merupakan antiviral pilihan utama dalam pengobatan COVID-19, yang biasanya digunakan bersama dengan vitamin dan antiradang untuk mempercepat penyembuhan, serta antibiotika untuk mencegah komplikasi infeksi sekunder. Namun demikian, penggunaan kombinasi tersebut berpotensi menimbulkan interaksi fisika-kimia pada fase padat yang dapat mempengaruhi stabilitas, kelarutan dan keamanan obat serta potensi menjadikannya sediaan kombinasi dosis tetap masih sangat terbatas. Pemahaman yang komprehensif mengenai jenis interaksi padatan dengan obat-obat pendamping yang lazim digunakan secara klinis tersebut menjadi sangat penting. Sehingga dapat diketahui apakah kombinasi tersebut memang aman dan efektik atau tidak. Hasil penelitian ini juga diharapkan dapat memberikan informasi kombinasi obat mana saja yang memungkinkan dibuat sediaan dosis tetap. Penelitian ini bertujuan mengamati interaksi fisika dan kimia favipiravir dengan vitamin (nikotinamid/vitamin B3 dan asam askorbat/vitamin C), antiradang non- steroid (asam mefenamat dan indometasin), serta antibiotika siprofloksasin. Tujuan secara lebih detail adalah menetapkan jenis interaksi dan mengamati pengaruhnya terhadap sifat fisikokimia padatan obat, yaitu stabilitas dan kelarutan, serta melakukan prediksi toksisitasnya secara in silico. Penetapan jenis interaksi dan kesetimbangan molar pembentukan interaksi dari masing-masing pasangan obat dilakukan dengan membuat diagram fasa. Selanjutnya sistem interaksi dipreparasi dengan penggerusan dibantu dengan penetesan sedikit pelarut etanol. Bahan awal, campuran fisik, dan hasil penggerusan dikarakterisasi secara elektrotermal, Differential Scanning Calorimetry (DSC) Powder X-Ray Diffractometry (PXRD). Sedangkan penetapan jenis interaksi sistem biner dilakukan dengan analisis Fourier Transform Infrared (FTIR) dan Proton Nuclear Magnetic Resonance (H-NMR). Uji kelarutan dilakukan dengan metode spektrofotometri UV derivatif. Hasil penelitian menunjukkan bahwa favipiravir membentuk campuran eutektikum dengan seluruh pasangan obat pada rasio molar 1:2, kecuali dengan asam askorbat yang menunjukkan interaksi terkuat pada perbandingan 1:1. Campuran eutektikum menunjukkan penurunan suhu lebur yang khas dan hanya melibatkan pembentukan ikatan hidrogen lemah tanpa terbentuknya fase kristalin baru. Sebaliknya, sistem favipiravir–siprofloksasin membentuk garam yang terkonfirmasi melalui perubahan signifikan pada data Differential Scanning Calorimetry (DSC), Powder X-Ray Diffractometry (PXRD), Fourier Transform Infrared Spectroscopy (FTIR), dan Proton Nuclear Magnetic Resonance Spectroscopy (H-NMR). Pembentukan campuran eutektikum dan garam secara umum meningkatkan stabilitas fisik sistem dan secara signifikan meningkatkan kelarutan pasangan obat, sementara kelarutan favipiravir relatif tidak berubah. Studi in silico menunjukkan penurunan potensi toksisitas, terutama pada sistem favipiravir–nikotinamid (1:2). Berdasarkan penelitian ini maka dapat disimpulkan bahwa favipiravir mampu membentuk interaksi padatan yang berbeda dengan obat-obat pendampingnya, berupa campuran eutektikum atau garam, yang secara signifikan memodulasi sifat fisikokimia, terutama stabilitas dan kelarutan pasangan obat, tanpa menurunkan karakteristik favipiravir itu sendiri. Temuan ini memberikan dasar ilmiah bagi pengembangan sediaan dosis tetap kombinasi berbasis favipiravir dengan profil stabilitas dan kinerja farmasetik yang lebih baik. Selain itu, peningkatan kelarutan dan stabilitas pasangan obat berpotensi memungkinkan penyederhanaan regimen terapi, sehingga mendukung peningkatan kepatuhan pasien dan efektivitas pengobatan secara keseluruhan.
MODEL EKSTRAKSI RELASI PADA INTERAKSI OBAT MENGGUNAKAN BIOBERT DAN GRAPH CONVOLUTIONAL NEURAL NETWORK PADA LITERATUR BIOMEDIS
Menurut data Pusat Statistik Kesehatan Nasional pada tahun 2018, sekitar 24% persen orang mengkonsumsi 3 obat resep atau lebih, dan 12,8 persen mengonsumsi 5 obat resep atau lebih. Interaksi antar obat merupakan permasalahan serius yang dapat menyebabkan Kejadian Efek Samping (Adverse Drug Events). Akan sulit bagi dokter atau apoteker untuk meluangkan waktu memantau interaksi obat pada setiap pasien, meskipun dokter atau apoteker memahami kemungkinan interaksi. Selain itu, volume literatur biomedis berkembang pesat. Ada banyak database obat yang berisi informasi tidak terstruktur tentang interaksi obat-obat. Namun, tantangannya adalah model baru yang dapat menangkap informasi kontekstual. Dataset DDI 2013 saat ini cukup tidak seimbang karena lebih dari 80% pasangan penyebutan merupakan contoh negatif (misalnya tidak ada hubungan). Penelitian sebelumnya oleh Xiong, dkk (2019) menggunakan Bi-LSTM dan GCN. Maka, pada penelitian ini akan menggunakan pendekatan yang berbeda menggunakan BioBERT dan Graph Convolutional Neural Network. BioBERT memiliki kemampuan untuk menghasilkan embedding yang berbeda untuk sebuah kata tergantung pada konteks kemunculannya dan sudah dilatih pada data biomedis. Selain itu, Graph Convolutional Neural Network dapat menangkap informasi baik secara sintaksis dan kontekstual. Hasil eksperimen dari model ini memiliki akurasi 75.43% dan F1 score 65%. Eksperimen menunjukkan bahwa model yang diusulkan belum dapat mencapai hasil yang baik pada dataset DDI 2013.
ANALISIS POTENSI INTERAKSI OBAT PADA PERESEPAN POLIFARMASI DI PELAYANAN FARMASI PUSKESMAS IBRAHIM ADJIE
Interaksi obat merupakan kejadian ketika keberadaan suatu obat mengganggu aktivitas farmakologi obat lain sehingga berpotensi membahayakan pasien. Banyaknya kondisi multimorbiditas di masyarakat kini berkaitan dengan penggunaan beberapa obat, yaitu polifarmasi, yang menjadi salah satu prediktor signifikan terhadap potensi interaksi obat. Penelitian ini diharapkan dapat menjadi informasi terkait potensi interaksi obat yang umum terdapat pada peresepan polifarmasi, sekaligus penanganan yang sesuai. Penelitian ini merupakan penelitian deskriptif observasional dengan desain studi potong lintang. Pada penelitian ini digunakan sumber sekunder yaitu peresepan polifarmasi pada pelayanan farmasi Puskesmas Ibrahim Adjie selama tahun 2023, yang dilakukan proses pencarian potensi interaksi obat-obat melalui literatur DynaMedex dan Stockley's Drug Interactions. Data yang diperoleh diteliti faktor-faktor lainnya yang mungkin memengaruhi interaksi obat, seperti umur pasien, dan jumlah obat yang diterima. Pengolahan data dilakukan dengan uji Chi Square dan Spearman’s rank correlation. Dari penelitian yang dilakukan, didapatkan sebanyak 1.848 (11%) resep termasuk sebagai peresepan polifarmasi, dan resep yang mengandung obat-obatan berinteraksi terdapat 490 resep (26,5%), dengan 753 potensi interaksi. Potensi interaksi obat yang paling sering ditemukan adalah interaksi antara Amlodipin dengan Metformin dengan jumlah kejadian 175 (23,24%). Hasil penelitian juga menunjukkan bahwa terdapat hubungan yang signifikan antara jumlah obat dengan tingkat keparahan interaksi obat (p=0,003) dan rentang usia dengan tingkat keparahan interaksi obat (p<0,001). Selain itu, didapatkan korelasi lemah antara potensi interaksi obat dengan jumlah obat (r=0,061) dan usia pasien (r=0,287).
ANALISIS INTERAKSI OBAT PADA KASUS GAGAL JANTUNG KONGESTIF (GJK) DI RUANG RAWAT INAP RUMAH SAKIT BHAYANGKARA TK II SARTIKA ASIH KOTA BANDUNG
Gagal Jantung Kongestif atau GJK adalah kondisi abnormal jantung yang kompleks sehingga jantung tidak mampu memompa darah sesuai dengan kebutuhan tubuh. Tujuan dari penelitian ini adalah mengidentifikasi dan menilai kejadian masalah terkait interaksi obat potensial dan aktual pada pasien GJK dengan atau tanpa penyakit komorbid. Penelitian yang dilakukan merupakan penelitian noneksperimental deskriptif dengan rancangan cross sectional secara prospektif dengan melihat data rekam medik pasien selama periode Oktober 2023 –Desember 2023. Teknik pengambilan sampel dengan menggunakan metode non-probability sampling yaitu total sampling, dengan jumlah sampel 100 pasien. Kriteria inklusi adalah pasien baru masuk rawat inap dengan diagnosis GJK dan dengan atau tanpa penyakit komorbid, pasien dengan jumlah obat dalam 1 lembar resep lebih dari 1 (satu) obat. kriteria eksklusi meliputi pasien dengan rekam medis yang tidak lengkap atau tidak terbaca. Klasifikasi interaksi obat dianalisis menggunakan Dynamed-Micromedex 2022 Versi 3.0.4 (5070) dan Medscape Interaction checker. Hasil penelitian yang telah dilakukan didapat bahwa jumlah penyakit penyerta terbanyak dengan persentase 44,55% yaitu penyakit Hypertensive Heart Disease (HHD). HHD merupakan penyakit yang berkaitan dengan dampak sekunder pada jantung karena hipertensi sistemik yang lama dan berkepanjangan mengakibatkan komplikasi berupa Left Ventricle Hypertrophy (LVH), yang akan bermanifestasi klinis sebagai gagal jantung kongestif. Hasil analisis interaksi potensial terbanyak dari 100 pasien yaitu obat aspirin dan furosemid 34 kasus (8%) dengan interaksi farmakodinamik dan derajat interaksi mayor. Sedangkan hasil analisis interaksi aktual yang terjadi pada 15 pasien yang terbanyak adalah digoksin dan furosemid sebanyak 5 pasien dengan interaksi farmakodinamik dan derajat interaksi mayor. Hasil ini menunjukkan dari interaksi potensial dan interaksi aktual yang paling banyak terjadi adalah interaksi farmakodinamik dengan derajat interaksi mayor.