Peran Machine Learning Dan Data Mining dalam Meminimalisir Antimicrobal Resistance (AMR) di Indonesia

Indonesia Darurat Antimicrobal Resistance

Kesehatan adalah salah satu hal yang krusial bagi kita sebagai makhluk hidup. Kesehatan juga termasuk ke dalam salah satu bagian dari tujuh belas SDG’s yang harus kita capai. Dalam hal ini, serangan penyakit adalah salah satu hal penghambat tercapainya kesehatan yang hakiki. Penyakit yang ada di dunia tentunya memiliki tingkatan dan klasifikasinya tersendiri mulai dari penyakit ringan, sedang, hingga penyakit berat.

Penyakit ringan adalah salah satu penyakit yang umumnya disebabkan oleh bakteri dan virus. Penyakit ini biasanya dianggap sebagai suatu hal sepele bagi masyarakat Indonesia. Namun, di sini lah letak kesalahan berpikir masyarakat. Mereka mencoba mengatasi penyakit ringan ini dengan mengonsumsi antibiotik karena antiobiotik merupakan obat yang mudah didapatkan. 

Ditambah dengan konsep bahwa penyakit ringan adalah hal sepele, banyak masyarakat menggunakan antibiotik dengan jenis dan dosis yang tidak tepat. Di sisi lain, banyak masyarakat yang tidak patuh dengan penggunaan antiobiotik yang harus habis diminum. Hal ini menyebabkan maraknya kasus Antimicrobial Resistance (AMR).

Kini, Antimicrobal Resistance merupakan tantangan global bagi seluruh penduduk di dunia. Di Indonesia, AMR menyebabkan 34.500 kematian dan 133.800 kematian berkaitan dengan AMR pada 2019. Indonesia berada di peringkat ke-78 dengan angka kematian standar usia tertinggi per seratus ribu populasi terkait AMR di 204 negara. Indonesia berada pada peringkat ke-5 dengan angka kematian standar usia tertinggi di wilayah GBD Asia Tenggara (Institute for Health Metrics and Evaluation (IHME), 2023). Antimicrobal Resistance di Indonesia tercatat dalam data nasional yang mengacu pada Global Antimicrobial Resistance and Use Surveillance System (GLASS). Hasilnya adalah terdapat peningkatan persentase resistensi antimicroba pada bakteri E.coli dan K. pneumonia (Siahaan et al., 2022b).

Kasus ini merupakan kasus yang perlu ditindak lebih lanjut oleh pemerintah negara Indonesia. Dalam menanganinya, kini kita membutuhkan suatu inovasi untuk memerangi AMR yang terus berinovasi dengan menggabungkan berbagai disiplin ilmu. Salah satu disiplin ilmu yang berperan ialah sains data.

Sains Data Dalam Perannya Bagi Antimicrobal Resistance (AMR)

Kasus AMR telah dikontrol melalui penggunaan sumber data dengan teknologi tambahan sehingga tercapainya pengintaian aktivitas antimikroba yang efektiv. Teknologi yang digunakan berkaitan dengan metode dalam sains data yaitu Machine Learning (ML) dan Data mining (DM). Pengontrolan kasus AMR merupakan tujuan dari penerapan metode Machine Learning dan Data Mining dalam bidang sains data.

Machine Learning (ML) berperan dalam analisis pola kompleks dari data hasil  tes medis untuk memprediksi kemungkinan resistensi antibiotik pada bakteri patogen. Prediksi ini didasarkan pada hasil pengembangan model berdasarkan data yang diperoleh dari serangkaian tes sensitivitas antibiotik. 

Hasil prediksi ini dapat membantu dalam pemilihan pengobatan antibiotik yang paling efektif. ML juga berperan dalam memahami faktor-faktor yang berkontribusi terhadap resistensi antibiotik yang disesuaikan dengan profil resistensi individu. Pertimbangan hasil ML pada akhirnya dapat digunakan dalam mendesain obat baru dengan meminimalisir senyawa agen antimikroba baru.

Dalam konteks Antibiotik Resistensi (AMR), Data Mining (DM) memungkinkan identifikasi pola yang tersembunyi dari data yang dihasilkan dari berbagai sumber. Metode yang digunakan dimulai dari analisis asosiasi antibiotik dengan kemunculan resistensi pada bakteri  patogen. Dari analisis ini, didapatkan suatu model klasifikasi pengelompokkan bakteri resisten dan non-resisten. Kelompok yang didapatkan akan diklastering berdasarkan profil resistensi antibiotik dengan berbagai faktor internal ataupun eksternal. Hubungan linier faktor-faktor tersebut dengan resistensi menggunakan analisis regresi dalam memahaminya untuk mendapatkan faktor risiko target intervensi.

Kedua metode ini dapat digunakan secara bersamaan tergantung dari tujuan yang ingin dicapai. Salah satu penyelesaian kasus AMR ialah dengan menghasilkan model prediktif berdasarkan pengklasifikasian mesin vektor melalui fungsi kernel linier dan mengidentifikasi biomarker resistensi terhadap empat obat antimikroba yang umum digunakan menggunakan genom (Khaledi et al., 2020b). Oleh karena itu, sains data merupakan bidang yang berpeluang tinggi dalam penanganan kasus AMR melalui analisis data secara tepat sehingga tujuan meminimalisir kasus AMR dapat terealisasi di Indonesia.

Daftar Pustaka

Institute for Health Metrics and Evaluation (IHME). (2023). The burden of antimicrobial resistance

(AMR) in Indonesia, 1–4. Indonesia.pdf (healthdata.org).

Khaledi, A., Weimann, A., Schniederjans, M., Asgari, E., Kuo, T., Oliver, A., Cabot, G., Kola, A., Gastmeier, P., Hogardt, M., Jonas, D. E., Mofrad, M. R. K., Bremges, A., McHardy, A. C., & Häußler, S. (2020). Predicting antimicrobial resistance in Pseudomonas aeruginosa with machine learning‐enabled molecular diagnostics. EMBO Molecular Medicine, 12(3). https://doi.org/10.15252/emmm.201910264.

Siahaan, S., Herman, M. J., & Fitri, N. (2022b). Antimicrobial resistance situation in Indonesia: a challenge of multisector and global coordination. Journal of Tropical Medicine, 2022, 1–10. https://doi.org/10.1155/2022/2783300.