Dasar AI & Machine Learning
Memahami bagaimana algoritma komputasi dan big data merevolusi penemuan obat, personalisasi terapi, hingga sistem pakar kefarmasian.
Kecerdasan Buatan (AI) bukan lagi sekadar fiksi ilmiah. Di dunia farmasi, algoritma kini membantu memprediksi struktur protein baru, menambang data interaksi obat dari miliaran jurnal, hingga melayani pasien melalui *Chatbot* cerdas.
Modul ini akan membuka wawasan Anda tentang perbedaan mendasar antara AI, *Machine Learning*, dan *Deep Learning*, serta bagaimana data mentah (baik terstruktur maupun tidak) "dilatih" untuk menghasilkan keputusan klinis yang presisi.
Target Pembelajaran
- Mendefinisikan hierarki AI, Machine Learning, dan Deep Learning.
- Mengklasifikasi jenis data medis (Terstruktur vs Tidak Terstruktur).
- Menganalisis use case nyata AI dalam penemuan obat dan layanan.
- Praktik: Melakukan simulasi training model ML sederhana (Tutorial).
Konsep Dasar AI & ML
Memahami hierarki teknologi yang memungkinkan komputer "berpikir".
(Neural Nets)
Artificial Intelligence (AI)
Konsep luas di mana mesin dirancang untuk meniru kecerdasan manusia (misal: sistem pakar berbasis *rule* If-Then yang kaku).
Machine Learning (ML)
Sub-bidang AI. Mesin tidak diprogram secara eksplisit (tidak ada If-Then manual), melainkan belajar dari pola data historis untuk membuat prediksi.
Deep Learning (DL)
Sub-bidang ML yang menggunakan Jaringan Saraf Tiruan (Neural Networks) berlapis-lapis. Sangat unggul untuk memproses citra medis (X-Ray) dan bahasa alami.
Cara Mesin Belajar (Paradigma ML)
Supervised Learning
Model dilatih menggunakan data yang sudah ada labelnya (kunci jawaban).
Label: "Aman" atau "Overdosis"
Output: Mesin bisa memprediksi resep baru apakah Aman/Overdosis.
Unsupervised Learning
Model diberi data mentah tanpa label. Mesin ditugaskan mencari struktur atau pola tersembunyi sendiri (Clustering).
Label: (Tidak ada)
Output: Mesin mengelompokkan pelanggan menjadi 3 grup belanja (Segmentasi untuk promosi).
Bahan Bakar AI: Jenis Data
AI hanya sebaik data yang melatihnya. (Garbage In, Garbage Out).
Data Terstruktur
(Structured Data)
Data yang terorganisir rapi dalam format baris dan kolom (seperti Excel atau Database SQL). Sangat mudah diproses oleh algoritma Machine Learning tradisional.
Contoh di Farmasi:
- Tabel stok inventaris obat
- Hasil lab (Kadar Gula Darah = 120 mg/dL)
- Dosis obat dalam miligram
Data Tidak Terstruktur
(Unstructured Data)
Data mentah tanpa format spesifik. Mencakup sekitar 80% dari seluruh data medis. Membutuhkan Deep Learning (seperti NLP atau Computer Vision) untuk mengolahnya.
Contoh di Farmasi:
- Catatan klinis dokter (Teks bebas/SOAP)
- Citra medis (Scan X-Ray paru, MRI)
- Rekaman audio konsultasi pasien
Kekuatan NLP (Natural Language Processing)
NLP adalah cabang AI yang membuat komputer mengerti teks bahasa manusia. Dalam farmasi, NLP digunakan untuk menambang (mining) ribuan catatan keluhan pasien di media sosial atau forum untuk mendeteksi Efek Samping Obat (Adverse Drug Reactions) yang belum pernah dilaporkan secara resmi (Pharmacovigilance Digital).
Use Case Pelayanan Kefarmasian
Penerapan nyata AI mulai dari ranah molekuler hingga asuhan klinis di apotek.
AI in Drug Discovery
Mencari molekul obat baru secara konvensional butuh 10+ tahun dan miliaran dolar. AI (seperti Google AlphaFold) dapat memprediksi struktur lipatan protein 3D dalam hitungan detik, mempercepat penemuan kandidat obat untuk penyakit kompleks.
Predictive Inventory
ML menganalisis data historis penjualan apotek yang digabung dengan data eksternal (cuaca, tren pencarian Google penyakit lokal). Sistem akan memprediksi secara akurat kapan stok obat demam berdarah harus dipesan sebelum musim hujan tiba.
Smart CDSS
Sistem Pendukung Keputusan Klinis (CDSS) berbasis AI dapat membaca rekam medis elektronik pasien, lalu memberi peringatan ke Apoteker: "Pasien ini memiliki gangguan ginjal (eGFR rendah), dosis antibiotik yang diresepkan terlalu tinggi."
Pharmacy Chatbots
Asisten virtual berteknologi NLP yang mampu menjawab pertanyaan awam pasien 24/7 (contoh: "Apakah obat X diminum sebelum makan?"). Chatbot menyeleksi kasus, jika terdeteksi berbahaya (red flag), sistem akan otomatis meneruskan ke Apoteker manusia.
Tutorial Interaktif
Simulasi Pelatihan Model Machine Learning Farmasi
Model Klasifikasi Risiko Resep
Tahap 1: Latih Model (Training)
Mesin butuh data historis (Supervised Learning) untuk belajar mengenali pola resep mana yang Aman dan mana yang berisiko Overdosis.
Latih model (akurasi min 85%) untuk membuka fitur Prediksi.
Tahap 2: Prediksi (Inference)
Model akan memprediksi risiko berdasarkan data pasien fiktif yang baru masuk.
Evaluasi Akhir
Uji Kognitif dan Analisis Kasus (Sub-CPMK 5)
Tugas Analisis Singkat:
Jelaskan satu ide aplikasi (Use Case) penerapan *Machine Learning* di Apotek Komunitas (Apotek Retail) untuk meningkatkan kepatuhan pasien minum obat kronis. Sebutkan Input Data apa saja yang dibutuhkan, dan Output Prediksi apa yang dihasilkan sistem tersebut.Analisis Berhasil Disubmit!
Lembar jawaban Anda telah tersimpan di sistem.