Gambar 1. Diagram model kecerdasan buatan dengan pendekatan stacking ensemble.
Salah satu jenis aktivitas abnormal jantung (aritmia) yang dapat menyebabkan serangan jantung adalah torsade de pointes (TdP). TdP terjadi ketika ventrikel berdetak tidak teratur yang ditandai dengan perubahan bertahap amplitudo dan perubahan bentuk kompleks QRS pada sinyal elektrokardiogram. TdP yang berlangsung dalam waktu cukup lama dapat menyebabkan serangan jantung. Belakangan ini, diketahui bahwa TdP juga dapat disebabkan oleh penggunaan obat-obatan, karena pemblokiran beberapa saluran ion pada sel jantung akibat reaksi obat. Para peneliti telah berupaya membangun mekanisme umum untuk memprediksi risiko munculnya TdP akibat konsumsi obat. Belakangan, banyak peneliti yang menggunakan kecerdasan buatan (artificial intelligence) untuk mengetahui risiko TdP obat, salah satunya berdasarkan paradigma comprehensive in vitro proarrhythmia assay (CiPA). CiPA terdiri dari beberapa proses pengujian, termasuk pengujian sel, simulasi komputer, pengujian klinis sel punca, dan elektrokardiogram.
Beberapa penelitian sebelumnya menunjukkan bahwa pengujian tingkat sel berdasarkan CiPA mampu memprediksi tingkat risiko obat terhadap jantung dengan akurat. Dengan menggunakan satu biomarker yang dikenal sebagai qNet, model kecerdasan buatan mampu memprediksi risiko obat tinggi dan rendah dengan nilai rata-rata area under the curve (AUC) dari receiver operator characteristic (ROC) sebesar 0,988 dan 0,901. Namun, peningkatan kinerja klasifikasi risiko obat masih diperlukan karena satu biomarker mungkin tidak memberikan informasi yang cukup bagi model kecerdasan buatan untuk memprediksi risiko obat dengan lebih baik. Oleh karena itu, diperlukan model kecerdasan buatan yang mampu menggunakan beberapa biomarker secara bersamaan untuk mencapai performa prediksi yang optimal.
Sistem klasifikasi obat berdasarkan CiPA memungkinkan penggunaan kecerdasan buatan berbasis stacking ensemble (SE), di mana prediksi tingkat risiko obat oleh beberapa model kecerdasan buatan yang sudah dilatih dengan 28 obat standar CiPA digabungkan ke dalam meta classifier untuk menghasilkan prediksi final dari risiko obat. Sebelumnya, para peneliti hanya membangun kecerdasan buatan dengan satu jenis model, seperti artificial neural network (ANN) atau ordinal logistic regression (OLR). Mekanisme SE memungkinkan peningkatan performa prediksi risiko obat secara signifikan. Sebagai ilustrasi, dengan metode ANN tunggal, nilai AUC ROC untuk obat berisiko tinggi memiliki nilai rata-rata 0,92, sedangkan dengan pendekatan SE menghasilkan nilai rata-rata AUC ROC sebesar 1,0, terdapat peningkatan sekitar 8%. Untuk prediksi risiko obat menengah, ANN tunggal menghasilkan nilai rata-rata AUC ROC sebesar 0,83, sedangkan pendekatan SE menghasilkan nilai rata-rata sebesar 0,97, terdapat peningkatan 14%. Sementara untuk risiko obat rendah, ANN tunggal menghasilkan nilai rata-rata AUC ROC sebesar 0,98, sedangkan pendekatan SE menghasilkan nilai rata-rata sebesar 1,0, terdapat peningkatan sebesar 2%.
Selain itu, pendekatan SE juga diuji pada beberapa kondisi. Pertama, SE diuji pada dua kondisi paparan obat yang berbeda, yaitu paparan tinggi dan terapeutik. Menariknya, kecerdasan buatan dengan pendekatan SE tetap menghasilkan nilai rata-rata AUC ROC untuk prediksi risiko obat tinggi, menengah, dan rendah antara 0,9 hingga 1,0, yang termasuk dalam kriteria performa model kecerdasan buatan yang sangat baik menurut CiPA.
Kedua, model ini juga diuji pada situasi yang menyerupai kondisi di lapangan, dengan menggunakan biomarker yang diperoleh dari pengujian obat dengan simulasi komputer pada beberapa individu yang berbeda. Pengujian ini meniru kondisi nyata, di mana obat yang sama dapat diberikan kepada beberapa pasien dengan kondisi kesehatan yang berbeda. Pada kondisi ini, model kecerdasan buatan dengan pendekatan SE menghasilkan nilai rata-rata AUC ROC untuk klasifikasi risiko obat dengan potensi TdP dan obat tanpa potensi TdP sebesar 0,99 untuk paparan obat dengan standar CiPA, 0,96 untuk paparan obat tinggi, dan 0,92 untuk paparan obat terapeutik. Hasil tersebut menunjukkan kriteria performa model kecerdasan buatan yang sangat baik menurut kriteria CiPA.
Dengan hasil pengujian pada beberapa kondisi paparan obat dan variasi populasi pasien tersebut, terlihat bahwa model kecerdasan buatan dengan pendekatan SE mampu menghasilkan prediksi yang sangat akurat. Dengan demikian, penggunaan model kecerdasan buatan ini di industri farmasi patut dipertimbangkan untuk mempercepat penemuan obat baru. Selain itu, model kecerdasan buatan dengan pendekatan SE juga dapat ditingkatkan dengan menambahkan hasil uji obat menggunakan simulasi komputer pada tingkat jaringan atau organ. Penambahan hasil pengujian pada kedua tingkat tersebut diharapkan dapat menjembatani pengujian obat pada tingkat sel dengan pengukuran klinis sinyal elektrokardiogram pasien. Dengan demikian, sistem pengujian tingkat risiko obat secara keseluruhan dapat lebih diandalkan karena melibatkan pengujian pada tingkat sel serta pada tingkat jaringan dan organ, sesuai dengan kaidah umum CiPA.
Penulis: Ali Ikhsanul Qauli, S.Si., M.Eng.
Link:
Baca juga: Diagnosis Kanker pada Populasi Pasien Jantung Hipertensi
