Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com
TIPS 1621 Jumlah Halaman 15

Tren Ilmu Farmakologi

Edisi Khusus: Bangkitnya Mesin dalam Kedokteran

Tinjauan

Kecerdasan Buatan untuk Desain Percobaan Klinis

Stefan Harrer,1,* Pratik Shah,2 Bhavna Antony,1 dan Jianying Hu3

Uji klinis menggunakan paruh kedua dari 10 hingga 15 tahun, 1,5–2,0 miliar USD, siklus Highlight
pengembangan untuk membawa satu obat baru ke pasar. Oleh karena itu, uji coba yang gagal tidak Teknik pemilihan dan perekrutan pasien yang kurang

hanya membenamkan investasi ke dalam uji coba itu sendiri tetapi juga biaya pengembangan optimal, ditambah dengan ketidakmampuan untuk

memantau dan melatih pasien secara efektif selama

praklinis, menyebabkan kerugian per uji klinis yang gagal sebesar 800 juta hingga 1,4 miliar USD.
uji klinis, adalah dua penyebab utama tingkat
Teknik pemilihan dan perekrutan kohort pasien yang kurang optimal, yang dipasangkan dengan kegagalan uji coba yang tinggi.
ketidakmampuan untuk memantau pasien secara efektif selama uji coba, adalah dua penyebab utama
tingkat kegagalan uji coba yang tinggi: hanya satu dari 10 senyawa yang memasuki uji klinis yang Tingkat kegagalan yang tinggi dari uji klinis
berkontribusi besar terhadap inefisiensi siklus
mencapai pasar. Kami menjelaskan bagaimana kemajuan terbaru dalam kecerdasan buatan (AI) dapat
pengembangan obat, dengan kata lain tren
digunakan untuk membentuk kembali langkah-langkah kunci desain uji klinis menuju peningkatan bahwa lebih sedikit obat baru yang mencapai
tingkat keberhasilan uji coba. pasar meskipun investasi R&D farmasi
meningkat. Tren ini telah diamati selama
beberapa dekade dan sedang berlangsung.

Kecerdasan Buatan Dapat Mengubah Hukum Eroom menjadi Hukum Moore

Teknik AI telah maju ke tingkat kedewasaan
Dibutuhkan rata-rata 10-15 tahun dan USD 1,5-2,0 miliar untuk membawa obat baru ke pasar. Sekitar
yang memungkinkannya digunakan dalam
setengah dari waktu dan investasi ini digunakan selama fase uji klinis dari siklus pengembangan obat. kondisi kehidupan nyata untuk membantu
Sisa 50% dari pengeluaran R&D mencakup penemuan dan pengujian senyawa praklinis, serta proses pembuat keputusan manusia.

regulasi (Gambar 1). Meskipun perusahaan farmasi dan bioteknologi terus meningkatkan investasi
AI memiliki potensi untuk mengubah langkah-
R&D selama beberapa dekade, jumlah obat baru yang mendapatkan persetujuan peraturan per miliar
langkah kunci desain uji klinis dari persiapan
USD yang dihabiskan telah berkurang setengahnya kira-kira setiap 9 tahun.[1]. MembalikkanHukum studi hingga eksekusi menuju peningkatan

Moore (melihat Glosarium) dari dunia teknologi semikonduktor, tren ini disebut Hukum Eroom. Ini tingkat keberhasilan uji coba, sehingga
menurunkan beban R&D farmasi.
sedang berlangsungSaya [2] dan menimbulkan ancaman berat bagi model bisnis pengembangan klinis
yang ada: di masa pasca-obat blockbuster era kurangnya efisiensi masuk ke pasar sebesar itu tidak
berkelanjutan. Salah satu batu sandungan utama dalam jalur pengembangan obat adalah tingkat
kegagalan uji klinis yang tinggi. Kurang dari sepertiga dari semua senyawa Fase II maju ke Fase III[3].
Lebih dari sepertiga dari semua senyawa Fase III gagal maju ke persetujuan
[4]. Karena pos pemeriksaan penting ini tidak terjadi sampai paruh kedua siklus R&D – dengan uji coba Tahap
III yang paling kompleks yang membawa ~60% dari keseluruhan biaya uji coba (Gambar 1) – kerugian yang
dihasilkan per uji klinis yang gagal berkisar antara 0,8-1,4 miliar USDii, sehingga merupakan penghapusan
yang signifikan dari total investasi R&D.

Dua faktor kunci yang menyebabkan uji klinis tidak berhasil adalah pemilihan kohort pasien dan mekanisme
perekrutan yang gagal membawa pasien yang paling cocok ke uji coba tepat waktu, serta kurangnya
infrastruktur teknis untuk mengatasi kompleksitas menjalankan uji coba. – terutama pada fase selanjutnya –
dengan tidak adanya kontrol kepatuhan yang andal dan efisien, pemantauan pasien, dan titik akhir klinis
sistem deteksi. AI (Kotak 1) dapat membantu mengatasi kekurangan desain uji klinis saat ini. Pembelajaran
mesin (ML), dan pembelajaran mendalam (DL) pada khususnya (Kotak 2), dapat secara otomatis menemukan 1IBM Research, IBM Research Australia
Lab, 3006 Melbourne, VIC, Australia
pola makna dalam kumpulan data besar seperti teks, ucapan, atau gambar. Pemrosesan bahasa alami (NLP)
2InstitutTeknologi Massachusetts, Lab
dapat memahami dan menghubungkan konten dalam bahasa tertulis atau lisan, dan antarmuka manusia- Media, 02139 Cambridge, MA, AS
mesin (HMI) (Kotak 2) memungkinkan pertukaran informasi secara alami antara komputer dan manusia. 3Penelitian IBM, Pusat Penelitian

IBM TJ Watson, 10598 Yorktown

Kemampuan ini dapat digunakan untuk mengkorelasikan kumpulan data yang besar dan beragam seperti
Heights, NY, AS
catatan kesehatan elektronik (EHR), literatur medis, dan database percobaan untuk meningkatkan
pencocokan dan perekrutan pasien-percobaan sebelum percobaan dimulai, serta untuk memantau pasien
secara otomatis dan terus menerus selama uji coba, sehingga memungkinkan peningkatan kontrol * Korespondensi:
kepatuhan dan menghasilkan penilaian titik akhir yang lebih andal dan efisien. Berikut ini sharrer@au.ibm.com (S. Harrer).

Tren Ilmu Farmakologi, Bulan 2019, Vol. xx, No. xx https://doi.org/10.1016/j.tips.2019.05.005 1

© 2019 Penulis. Diterbitkan oleh Elsevier Ltd. Ini adalah artikel akses terbuka di bawah lisensi CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/).
Tren Ilmu Farmakologi

Siklus pengembangan obat farmasi

% dari total Keputusan strategis

Bertahun-tahun
Investasi R&D sesuai indikasi target
per satu obat baru
(US$ 1,5−2 miliar) 5000–10 000
senyawa
Penemuan obat

30% 250 senyawa 3

Fase praklinis
5 senyawa 5 Tingkat keberhasilan gabungan untuk uji klinis
Fase I kelompok: 20–100
~40% senyawa maju
6.5 dari Fase I ke Fase II
40% Kelompok:
Klinis Fase II 100–500
uji coba

~1/ 3 senyawa maju dari Fase ~10% dari

9
50% Kelompok: II ke Fase III senyawa masuk
1000– itu klinis uji coba
5000
panggung maju ke
60% Fase III Persetujuan FDA

~2/3 senyawa maju dari Fase III

13 ke persetujuan FDA
Fase regulasi ulasan FDA
20% 1 FDA
disetujui 15
Manufaktur obat
Fase IV

Tren dalam Ilmu Farmakologi

Gambar 1. Siklus Pengembangan Obat Farmasi. Dibutuhkan waktu hingga 15 tahun dan total pengeluaran R&D rata-rata sebesar 1,5–2 miliar (B) USD untuk membawa satu obat baru ke
pasar. Sekitar setengah dari investasi ini dihabiskan untuk uji klinis, dengan uji coba Fase III menjadi yang paling kompleks dan paling mahal. Probabilitas keberhasilan senyawa untuk
melanjutkan melalui tahap uji klinis bervariasi dari fase ke fase, dan mengarah pada situasi di mana hanya satu dari 10 senyawa yang memasuki uji klinis maju ke persetujuan FDA. Tingkat
kegagalan uji klinis yang tinggi adalah salah satu penyebab utama ketidakefisienan siklus pengembangan obat.

bagian kami menyoroti aspek desain uji klinis dengan titik masuk potensial langsung untuk AI, dan
menjelaskan teknik AI tertentu yang menarik dan bagaimana penerapannya akan meningkatkan kinerja uji
coba (Gambar 2, Gambar Kunci).

Seleksi Pasien
Setiap uji klinis mengajukan persyaratan individu pada pasien yang berpartisipasi sehubungan dengan kelayakan,
kesesuaian, motivasi, dan pemberdayaan untuk mendaftar. Riwayat medis pasien tertentu mungkin membuat mereka
tidak memenuhi syarat. Pasien yang memenuhi syarat mungkin tidak berada pada stadium penyakit, atau termasuk
dalam sub-fenotipe tertentu, yang ditargetkan oleh obat yang akan diuji, sehingga membuat pasien tersebut tidak
cocok. Pasien yang memenuhi syarat dan cocok mungkin tidak memiliki insentif yang tepat untuk berpartisipasi, dan,
bahkan jika memang demikian, mereka mungkin tidak mengetahui uji coba yang cocok atau menganggap proses
rekrutmen terlalu rumit dan rumit untuk dinavigasi. Memindahkan cukup banyak pasien melalui kemacetan ini di
bawah jadwal perekrutan yang ketat merupakan tantangan besar dan pada kenyataannya merupakan penyebab
nomor satu untuk penundaan uji coba: 86% dari semua uji coba tidak memenuhi jadwal pendaftaran,aku aku aku.
Perekrutan pasien memakan waktu sepertiga dari keseluruhan durasi percobaaniv. Misalnya, uji coba Fase III
menanggung 60% dari total biaya untuk memindahkan obat melalui semua fase uji coba

2 Tren Ilmu Farmakologi, Bulan 2019, Vol. xx, No. xx

Tren Ilmu Farmakologi

Kotak 1. Evolusi AI
Glosarium
Penggunaan obat AI dimulai pada awal 1970-an ketika sistem pakar seperti MYCIN pertama kali diperkenalkan untuk memberikan
Tidak adanya kejang: episode kejang
dukungan keputusan diagnostik. [48]. Namun, sistem AI medis awal sangat bergantung pada pakar domain medis untuk melatih
epilepsi yang tidak disadari oleh pasien
komputer dengan mengkodekan pengetahuan klinis sebagai aturan logika untuk skenario klinis tertentu. Sistem seperti itu mengalami
yang terkena.
keterbatasan sehingga membutuhkan banyak tenaga dan waktu untuk dibangun, dan begitu dibangun, sistem tersebut kaku dan sulit
Obat blockbuster: obat yang menghasilkan lebih
untuk diperbarui.[49]. Sistem ML yang lebih canggih yang mampu melatih diri untuk mempelajari aturan ini dengan mengidentifikasi
dari $1 miliar dalam penjualan tahunan.
dan menimbang fitur yang relevan dari data seperti teks tidak terstruktur, gambar medis, dan EHR muncul pada tahun 90-an dan 2000-
Teknologi Blockchain: blockchain adalah daftar
an, tetapi relatif lambat untuk diadopsi oleh bidang medis , sebagian besar karena kurangnya data yang tersedia secara luas dan fakta
digital – sering disebut sebagai buku besar
bahwa metode awal memerlukan upaya rekayasa fitur yang intens yang melibatkan komitmen serius dari para ahli domain medis[50].
digital – dari catatan data permanen yang telah
diunggah secara berurutan dalam bentuk 'blok'.
Situasi ini telah berubah secara dramatis baru-baru ini karena dua faktor. Pertama, bidang AI sendiri mengalami kemajuan
Setiap kali blok baru ditambahkan ke 'rantai' ini a
transformasional, khususnya dalam metode DL dan ML terkait, yang dimungkinkan oleh peningkatan perangkat keras dan kumpulan
data pelatihan yang sangat besar.[21,51]. Kedua, data medis menjadi semakin tersedia dalam bentuk digital berkat kemajuan teknologi
tanda tangan kriptografi dibuat yang
baru serta upaya kebijakan publik seperti Program Penggunaan Bermakna Catatan Elektronik di ASxxxix. Beberapa tahun terakhir telah
menghubungkan blok yang baru diunggah
menyaksikan lonjakan upaya serta keberhasilan bukti awal konsep AI dalam kedokteran, mulai dari pencitraan medis untuk mendeteksi
dengan blok terbaru yang ada di buku besar.
retinopati diabetik.[52] dan kanker kulit [53], hingga penggunaan data EHR untuk memprediksi parameter klinis penting mulai dari
Proses ini memastikan bahwa setiap perubahan
onset penyakit hingga kematian [54]. Bidang biomedis juga mendapat manfaat dari lonjakan metode AI ini di banyak tingkatan, dari
pada blockchain divalidasi sendiri dan bahwa
pencarian pemrosesan bahasa alami (NLP) yang canggih dari literatur biomedis[55], untuk sub-fenotip kanker menggunakan DL [56],
catatan perubahan tersebut
untuk prediksi target gen microRNAs [57], interaksi obat-target, dan hipotesis reposisi obat [58].
disimpan secara permanen di blockchain, tanpa
perlu validasi melalui pihak ketiga. Blockchain itu
sendiri terdesentralisasi dan mengatur sendiri,
memungkinkan siapa saja dengan hak akses

karena mereka membutuhkan kelompok pasien terbesar. Tingkat kegagalan 32% karena masalah perekrutan yang valid untuk menggunakannya.

pasienv dalam uji coba Fase III menggambarkan salah satu kekurangan paling parah dari desain uji klinis
Titik akhir uji klinis: percobaan klinis
mutakhir: uji coba dengan permintaan pasien tertinggi paling menderita dari ketidakefisienan. mencoba untuk menilai dampak
potensial dari intervensi medis pada
terjadinya suatu penyakit, misalnya
Kotak 2. Berbagai Metode yang Digunakan dalam AI dinilai dengan gejala tertentu.
Kecerdasan Buatan (AI): simulasi mesin dari proses kecerdasan manusia termasuk pembelajaran, penalaran, dan koreksi dirixl. Tujuan Munculnya gejala seperti itu pada
akhir AI adalah untuk membangun mesin yang dapat melihat dunia dan membuat keputusan dengan cara yang sama seperti yang pasien selama percobaan menandai
dilakukan manusia. titik akhir klinis untuk pasien
tersebut.
Penambangan aturan asosiasi: Algoritme ML untuk menemukan hubungan menarik antara variabel dalam database besar untuk Penjelasan AI: kemampuan untuk

membantu mesin meniru kemampuan ekstraksi dan asosiasi abstrak otak manusia dari data baru yang tidak dikategorikan. menjelaskan cara kerja algoritma AI dan
output yang mereka hasilkan. Eksposom:

Antarmuka otak-mesin (BMI): jalur komunikasi langsung antara otak yang ditingkatkan atau kabel dan perangkat eksternal. dampak pada organisme dari semua faktor

Juga disebut sebagai antarmuka otak-komputer (BCI), antarmuka otak-mesin (MMI), atau antarmuka saraf langsung (DNI). lingkungan yang telah terpapar selama
hidupnya. Internet hal (IoT): keadaan di

Pembelajaran mendalam (DL): kelas metode ML berdasarkan jaringan saraf tiruan, terinspirasi oleh pemrosesan informasi dan node komunikasi mana perangkat dunia nyata saling

terdistribusi dalam sistem biologis, yang menggunakan banyak lapisan untuk secara progresif mengekstrak fitur tingkat yang lebih tinggi dari input berhubungan sehingga informasi dan data

mentahxli. Yang 'dalam' dalam 'pembelajaran mendalam' mengacu pada jumlah lapisan di mana data ditransformasikan. dapat mengalir di antara mereka. hukum
Moore: pada tahun 1965, Gordon Moore

Pembelajaran penguatan mendalam (DRL): penguatan pembelajaran (RL) adalah area ML yang berkaitan dengan membangun agen perangkat lunak mendalilkan bahwa kekuatan komputasi

yang dapat mengambil tindakan di lingkungan untuk memaksimalkan beberapa gagasan penghargaan kumulatif. DRL menggabungkan prinsip- akan meningkat sementara biaya relatifnya

prinsip DL dan RL untuk membuat algoritma yang efisien untuk mencapai tugas ini. akan menurun pada kecepatan yang
eksponensial. Tren ini berlangsung selama

Antarmuka manusia-mesin (HMI): jalur komunikasi langsung antara manusia dan perangkat. Misalnya, sistem buatan yang beberapa dekade dan dikenal sebagai

mampu secara otomatis memahami dan menanggapi bahasa manusia yang diucapkan atau ditulis merupakan Antarmuka 'Hukum Moore'.

manusia-mesin. Overfitting model ML: overfitting

menggambarkan keadaan model

Pembelajaran mesin (ML): studi ilmiah tentang algoritma yang membangun model matematis dari data sampel untuk pembelajaran mesin (ML) yang telah

membuat prediksi atau keputusan tanpa secara eksplisit diprogram untuk melakukan tugasxli. ML sering dianggap sebagai mempelajari fitur-fitur berbeda dari set data

cabang AI. pelatihan secara terlalu tepat sehingga tidak

dapat lagi digeneralisasi dengan baik ke set

Pemrosesan bahasa alami (NLP): subbidang AI yang berkaitan dengan interaksi antara komputer dan bahasa manusia data yang belum pernah diekspos

(alami), khususnya bagaimana memprogram komputer untuk memproses dan menganalisis sejumlah besar data bahasa sebelumnya.

alami. NLP menarik dari banyak disiplin ilmu termasuk ilmu komputer dan linguistik komputasi. Pemikiran: sistem penalaran secara
otomatis menarik kesimpulan dari data

Pengenalan karakter optik (OCR): bidang penelitian dalam AI, pengenalan pola, dan visi komputasi yang ditujukan untuk konversi dan pengetahuan.

elektronik gambar dari teks yang diketik, ditulis tangan, atau dicetak menjadi teks yang disandikan dengan mesin, baik dari dokumen Data deret waktu: data yang
yang dipindai, foto dokumen, foto pemandangan , atau dari teks subtitle yang ditumpangkan pada gambar. menangkap nilai tunggal atau ganda

Tren Ilmu Farmakologi, Bulan 2019, Vol. xx, No. xx3

Tren Ilmu Farmakologi

teknik perekrutan pasien. Sistem yang digerakkan oleh AI dan ML dapat membantu meningkatkan komposisi parameter yang diukur dari waktu ke waktu pada

titik waktu yang ditentukan.

kelompok pasien dan memberikan bantuan dalam perekrutan pasien (Gambar 2).
Dapat dipakai: perangkat yang dapat melakukan
tugas pengukuran atau pemrosesan data, dan
Komposisi Kelompok yang berfungsi penuh saat dipasang ke tubuh

Uji klinis biasanya tidak dirancang untuk menunjukkan efektivitas pengobatan dalam sampel acak dari manusia secara langsung atau tidak langsung
melalui pakaian, dan yang tidak memiliki koneksi
populasi umum, tetapi bertujuan untuk memilih secara prospektif subset dari populasi di mana efek obat, jika
bawaan ke perangkat lain yang tidak dapat
ada, dapat lebih mudah diukur. didemonstrasikan, sebuah strategi yang disebut sebagai 'pengayaan uji klinis' dikenakan.
vi. Jika seorang pasiensebuah prioritas bukan bagian dari subset yang sesuai, maka keikutsertaan mereka
dalam uji coba secara otomatis akan mengurangi kemanjuran yang diamati dari obat yang diuji. Kesesuaian
mungkin tidak dibingungkan dengan tingkat keberhasilan pengobatan atau ketidakhadirannya selama
percobaan: ini menunjukkan suatu kondisi yang tidak membuat pasien yang berpartisipasi menjadi tidak
mungkin atau sangat tidak mungkin untuk menanggapi obat yang diuji. Merekrut sejumlah besar pasien
yang cocok tidak menjamin keberhasilan percobaan, tetapi mendaftarkan pasien yang tidak cocok
meningkatkan kemungkinan kegagalannyavii.

Di dunia yang ideal, penilaian kesesuaian akan menggunakan genome-to-diagnostik spesifik pasien.
mengekspos membuat profil [5] untuk menentukan apakah biomarker yang menjadi target obat cukup
terwakili dalam profil pasien atau tidak. Meskipun uji coba yang dapat mengambil manfaat dari pendekatan
semacam itu membentuk subset yang relatif kecil dari semua uji coba, uji coba tersebut juga cenderung
menjadi uji coba yang paling mahal – terutama bila teknik pencitraan medis digunakan. Oleh karena itu,
meskipun dalam praktiknya mungkin tidak ada 'profil omic' yang komprehensif, dan biomarker yang efektif
mungkin perlu diidentifikasi untuk sebagian besar terapi yang sedang dikembangkan secara klinis, pengujian
biomarker harus tetap dipertimbangkan bila dapat diterapkan. Metode analitik yang canggih diperlukan
untuk menggabungkan data omic dengan rekam medis elektronik (EMR) dan data pasien lainnya, yang
tersebar di berbagai lokasi, pemilik, dan format – dari salinan kertas tulisan tangan hingga citra medis digital
– hingga biomarker permukaan yang mengarah ke titik akhir yang dapat diukur secara lebih efisien, dan
dengan demikian mengidentifikasi dan mengkarakterisasi subpopulasi pasien yang sesuai. Ini menghadirkan
peluang unik untuk NLP dan algoritma visi komputer seperti pengenalan karakter optik (OCR) (Kotak 2) untuk
mengotomatisasi pembacaan dan penyusunan bukti ini. Selain itu, memperlakukan data dari berbagai
sumber dan format sebagai satu kumpulan data yang koheren untuk tujuan analisis yang komprehensif
sangat menantang dalam kasus data ESDM karena volume, kecepatan, kebenaran, dan variasinya. Sifat
agnostik sumber data model AI menjadikannya alat unik untuk harmonisasi data EMR yang merupakan kunci
untuk merancang alat untuk pengayaan uji klinis dan penemuan biomarker. Namun, perawatan harus
diambil untuk mengurangioverfitting model ML sebagai akibat dari ketidakseimbangan kelas dalam data
pelatihan.

Penemuan senyawa praklinis, pengujian target senyawa, dan penentuan senyawa timbal untuk uji
klinis dapat dibantu dengan menggunakan AI, ML, dan AI berbasis prediksi dan generatif. pemikiran
teknik [6–8]. Misalnya, pencarian yang lebih luas dan lebih efisien untuk korelasi antara indikasi dan
biomarker daripada teknik penemuan konvensional telah dilaporkan[8]. Hal ini memungkinkan calon
pemimpin untuk dipilih yang memiliki peluang keberhasilan lebih tinggi selama uji klinis, dan eliminasi
mereka yang memiliki kemungkinan gagal lebih tinggi sebelum memasuki fase klinis.

Model dan metode AI juga dapat digunakan untuk meningkatkan pemilihan kohort pasien melalui satu atau
lebih cara berikut yang diidentifikasi oleh Food and Drug Administration (FDA): (i) dengan mengurangi
heterogenitas populasi, (ii) dengan memilih pasien yang lebih mungkin memiliki titik akhir klinis yang terukur,
juga disebut 'pengayaan prognostik', dan (iii) dengan mengidentifikasi populasi yang lebih mampu
merespons pengobatan, juga disebut 'pengayaan prediktif' vi (Gambar 2). Fenotip elektronik adalah disiplin
mapan dalam informatika kesehatan yang berfokus pada pengurangan heterogenitas populasi, yaitu proses
mengidentifikasi pasien dengan karakteristik tertentu.

4 Tren Ilmu Farmakologi, Bulan 2019, Vol. xx, No. xx

Tren Ilmu Farmakologi

bunga. Karakteristiknya bisa sesederhana pasien dengan diabetes tipe 2, atau serumit pasien dengan kanker
prostat stadium II dan urgensi kemih tanpa bukti infeksi saluran kemih. Tugas fenotip elektronik jauh lebih
menantang daripada pencarian kode sederhana, dan membutuhkan metode canggih untuk menjelaskan
heterogenitas di antara catatan pasien, di beberapa tipe data, dan untuk meningkatkan representasi
kompleks dari pengetahuan domain klinis. Meskipun metode awal yang mengandalkan aturan kerajinan
tangan efektif untuk kasus sederhana, metode tersebut terbukti tidak cukup untuk kasus yang lebih
kompleks dan lebih bernuansa. Dalam beberapa tahun terakhir telah terjadi peningkatan upaya untuk
merancang beragam metode ML, mulai dari NLP hingga penambangan aturan asosiasi hingga DL (Kotak 2),
yang telah menunjukkan kemajuan besar untuk dapat menangani situasi dunia nyata yang kompleks [9].

Meskipun fenotip elektronik dapat dimanfaatkan untuk mengurangi heterogenitas populasi

pasien, itu tidak dirancang untuk mencapai pengayaan prognostik atau prediktif. Metode ML
semakin banyak digunakan untuk pengayaan prognostik untuk penyakit neurologis di mana
biomarker utama, yang biasanya mahal atau invasif untuk diukur, didekati dengan kombinasi
non-linier dari beberapa tindakan murah dan non-invasif yang memberikan informasi
prognostik serupa[10,11]. Pengayaan prediktif membutuhkan model yang lebih kompleks yang
diperlukan untuk mengkarakterisasi dan menilai perkembangan penyakit. The Coalition Against
Major Diseases (CAMD) baru-baru ini memimpin proses yang berhasil memajukan alat simulasi
uji klinis (CTS) untuk penyakit Alzheimer (AD) melalui proses tinjauan peraturan formal di FDA
dan European Medicines Agency. Alat CTS mencakup komponen komputasi untuk memodelkan
obat, penyakit, dan perkembangan gangguan kognitif ringan (MCI) dan AD awal yang dapat
digunakan untuk desain uji klinis berbasis model[12]. Memperluas upaya ini, metode ML untuk
pemodelan perkembangan penyakit sedang dikembangkan untuk memberikan pemahaman
dan karakterisasi kompleksitas dan heterogenitas banyak penyakit yang semakin akurat dan
bernuansa, terutama yang seperti AD di mana obat pengubah penyakit belum tersedia [13–17].

Bantuan dalam Rekrutmen

Kompleksitas kriteria kelayakan percobaan dalam hal jumlah dan jargon medis umumnya membuat pasien
sulit untuk memahami dan menilai kelayakan mereka sendiri. Mengekstrak informasi yang bermakna secara
manual dari sumber data yang besar dan tidak terstruktur ini merupakan tugas penting yang membebani
beban pemrosesan yang berat pada dokter dan pasien. Meskipun demikian, langkah inilah yang sebagian
besar menentukan apakah seorang pasien dianggap cocok dan memenuhi syarat untuk berpartisipasi dalam
penelitian, dan juga apakah lokasi perekrutan dan pasien menjadi sadar satu sama lain. Beberapa teknik AI
dapat menawarkan bantuan yang layak dengan secara otomatis menemukan jarum di tumpukan jerami EMR:
NLP[18] dapat digunakan untuk memahami bahasa tulis dan lisan dari berbagai tipe data terstruktur dan
tidak terstruktur. Ringkasan rinci teknik NLP yang berlaku untuk desain uji klinis disediakan dalam ulasan
terbaru oleh Fogel[19]. Pemikiran[20] teknik memungkinkan konten untuk dicerna menjadi rekomendasi
ditindaklanjuti untuk pembuat keputusan manusia. ML[21] dan khususnya pembelajaran penguatan
mendalam (Kotak 2) memberdayakan sistem untuk mempelajari dan mengintegrasikan umpan balik pada
kualitas keluaran analitiknya ke dalam algoritme dasar yang disesuaikan. Sistem bantu yang menggunakan
teknik AI ini atau subsetnya dapat digunakan untuk secara otomatis menganalisis EMR dan basis data
kelayakan uji klinis, menemukan kecocokan antara pasien tertentu dan merekrut uji coba, dan
merekomendasikan kecocokan ini kepada dokter dan pasien (Gambar 2). Sistem pencocokan uji klinis
berbasis AI tersebut telah berhasil ditunjukkan dan telah membuktikan nilainya dalam kasus penggunaan
kehidupan nyata[22]viii. Karena sifat AI dari sistem ini, setiap fungsionalitas tambahan di masa depan dan
peningkatan kinerja akan bergantung pada kualitas dan jumlah data yang dapat diakses untuk
pengembangan model analitik dan pekerjaan validasi lapangan studi percontohan.

Tren Ilmu Farmakologi, Bulan 2019, Vol. xx, No. xx5

Tren Ilmu Farmakologi

Tokoh Kunci

Kecerdasan Buatan (AI) untuk Desain Uji Klinis

AI untuk desain uji klinis: dari metodologi hingga hasil yang lebih baik
Tema desain

Komposisi kelompok Perekrutan pasien Pemantauan pasien

Fitur

Kesesuaian kelayakan Pemberdayaan Motivasi Ketaatan Deteksi titik akhir Penyimpanan

Metodologi

Uji klinis Biomarker Uji klinis Acara otomatis Perkiraan risiko putus sekolah

penyuburan verifikasi cocok masuk dan intervensi

Populasi berkurang Prognostik Prediktif Kelayakan otomatis Penyederhanaan Uji coba otomatis buku harian penyakit Buku harian protokol studi Pelatihan pasien
Kegunaan

heterogenitas penyuburan penyuburan penilaian deskripsi percobaan rekomendasi episode penyakit, pengobatan intervensi proaktif
administrasi obat, administrasi, untuk mencegah putus sekolah

pemantauan kesehatan pencatatan

Pembelajaran mesin/Pembelajaran mendalam Pembelajaran mesin/Pembelajaran mendalam Pembelajaran mesin/Pembelajaran mendalam Pembelajaran mesin/Pembelajaran mendalam
teknik AI

Pemikiran Pemikiran Antarmuka manusia-mesin Pemikiran

Antarmuka manusia-mesin Antarmuka manusia-mesin

ESDM omics Literatur medis Database uji klinis Internet hal-hal dan perangkat yang dapat dikenakan Pidato Video
Data

Pengumuman percobaan Media sosial

Pengetahuan domain klinis
Literatur medis ESDM
Database kelayakan

Dioptimalkan Peluang yang dimaksimalkan putus sekolah lebih rendah

komposisi kelompok untuk hasil yang sukses tarif

hasil

Percobaan yang lebih efektif Lebih cepat dan lebih sedikit Peningkatan pasien
perencanaan dan lebih cepat untuk diluncurkan percobaan mahal ketaatan

Tantangan 1. Harmonisasi data EMR (masalah interoperabilitas EMR). 2. Privasi, integritas, dan keamanan data. 3. Penjelasan AI

Tren dalam Ilmu Farmakologi

(Lihat legenda gambar di bagian bawah halaman berikutnya.)

6 Tren Ilmu Farmakologi, Bulan 2019, Vol. xx, No. xx

Tren Ilmu Farmakologi

Teknik AI dan ML seperti NLP dan OCR juga telah diusulkan untuk secara proaktif menambang konten web yang
tersedia untuk umum seperti, misalnya, database uji coba digital, pengumuman uji coba, dan media sosial untuk
secara otomatis mengidentifikasi kecocokan potensial antara uji relevansi dan pasien tertentu. Dengan membantu
pasien dalam pencarian web manual konvensional mereka, sistem seperti itu dapat membuat pasien lebih cepat
menyadari uji coba yang diminati dan memungkinkan mereka untuk secara proaktif terlibat dengan dokter untuk
penilaian lebih lanjut tentang kelayakan dan kesesuaian.ix. Memang, rencana pendaftaran pertama yang
menggunakan komponen media sosial telah berhasil ditunjukkanx. Kami berharap integrasi AI akan meningkatkan
jangkauan, efisiensi, dan dengan demikian dampak dari rencana pendaftaran digital semacam itu secara substansial
di masa depan.

Tantangan
Digitalisasi dan aksesibilitas data EMR yang digunakan secara luas oleh metode AI bukanlah hal yang sepele.
Kedua tugas tersebut menantang karena alasan yang berlawanan: di satu sisi kurangnya kerangka peraturan
tentang pengumpulan data menyebabkan format EMR sangat berbeda, tidak kompatibel satu sama lain atau
tidak digital sama sekali, dan berada dalam ekosistem yang terdesentralisasi tanpa pertukaran data yang
mapan. atau akses gateway. Di sisi lain, lingkungan hukum yang diatur secara ketat membatasi akses pihak
ketiga ke data pasien dan bahkan mempersulit pasien itu sendiri untuk mengakses data mereka sendiri. Apa
yang disebut 'dilema interoperabilitas EMR' ini diakui sebagai rintangan utama untuk membuat sistem
perawatan kesehatan lebih efisien, dan investasi besar sedang dilakukan oleh pemerintah dan lembaga
medis untuk mengatasi rintangan ini.[23]. Secara paralel, kerangka hukum seperti, misalnya, Undang-Undang
Portabilitas dan Akuntabilitas Asuransi Kesehatan AS (HIPAA) dan Peraturan Perlindungan Data Umum
(GDPR) UE terus berkembang seiring dengan mengatur dan melindungi data kesehatan yang sensitif menjadi
upaya yang semakin kompleks dalam pertumbuhan jaringan perangkat, pemilik data, dan penyedia layanan
[24,25]. Selanjutnya, persis seperti penambangan EMR, untuk uji klinis yang cocok dengan aspek hukum
privasi dan keamanan data serta tingkat keamanan yang memadai.penjelasan AI model perlu ditangani
untuk memastikan bahwa sistem berbasis AI dapat dioperasikan dan mendapatkan persetujuan peraturan.

Pemantauan Pasien
Merekrut pasien yang tepat ke dalam uji klinis adalah investasi besar baik waktu maupun dana. Pengembalian
investasi ini hanya dapat diwujudkan melalui penyelesaian uji coba yang berhasil. Oleh karena itu, sangat penting
bagi pasien untuk tetap menjalani uji coba, mematuhi prosedur dan aturan uji coba selama uji coba, dan bahwa
semua titik data untuk memantau dampak obat yang diuji dikumpulkan secara efisien dan andal. Hanya 15% uji klinis
yang tidak mengalami pasien putus sekolah, dan rata-rata angka putus sekolah di seluruh uji klinis adalah 30%aku aku
aku. Putus sekolah yang disebabkan oleh kurangnya kepatuhan terhadap protokol uji coba memerlukan upaya
perekrutan tambahan, yang menyebabkan penundaan uji coba dan biaya tambahan yang substansial. Peningkatan
linier dari tingkat ketidakpatuhan dalam percobaan menyebabkan peningkatan eksponensial pada pasien tambahan
yang diperlukan untuk mempertahankan kekuatan statistik dari hasil. Misalnya, sebuah penelitian di mana setengah
dari pasien tidak patuh berarti tambahan 200% pasien perlu direkrut untuk menjaga kekuatan statistik dari hasil yang
stabil.xi. Peningkatan pemantauan pasien dan metode pembinaan selama uji coba yang sedang berlangsung dapat
digunakan untuk menurunkan beban kepatuhan, membuat deteksi titik akhir lebih efisien, dan dengan demikian
mengurangi tingkat putus sekolah dan ketidakpatuhanxii. teknik AI

Gambar 2. Skema memvisualisasikan cara utama untuk memasukkan AI ke dalam alur desain uji klinis. Tiga tema desain inti – komposisi kohort, perekrutan pasien, dan
pemantauan pasien (baris atas) – didasarkan pada fitur pasien mengenai kesesuaian, kelayakan, pemberdayaan pendaftaran, dan motivasi, serta fitur uji coba termasuk
deteksi titik akhir, kontrol kepatuhan, dan pasien retensi (baris kedua). Berbagai metodologi desain (baris ketiga) digunakan untuk mengimplementasikan fungsionalitas
target (baris keempat). Fungsionalitas ini diaktifkan melalui kombinasi individual dari tiga teknologi AI utama: machine/deep learning, penalaran, dan antarmuka manusia-
mesin (baris kelima) yang masing-masing menganalisis serangkaian sumber data spesifik pasien dan fungsionalitas (baris keenam). Perbaikan relatif yang ditimbulkan oleh
penerapan tersebut pada hasil studi ditunjukkan dengan panjang garis horizontal pada kode batang warna di bawah aspek hasil utama (baris ketujuh). Setiap aplikasi desain
studi berbasis AI secara langsung bergantung pada kualitas dan jumlah data yang dapat dimanfaatkan, dan karenanya menghadapi tantangan mendasar yang sama (baris
bawah). Singkatan: EMR, rekam medis elektronik.

Tren Ilmu Farmakologi, Bulan 2019, Vol. xx, No. xx7

Tren Ilmu Farmakologi

dalam kombinasi dengan dpt dipakai teknologi menawarkan pendekatan baru untuk mengembangkan
sistem pemantauan pasien yang hemat daya, mobile, real-time, dan personal. Kami meninjau beberapa
contoh di bagian di bawah ini.

Kontrol Kepatuhan Pasien, Deteksi Titik Akhir, dan Retensi

Untuk mematuhi kriteria kepatuhan, pasien diharuskan untuk menyimpan catatan rinci tentang asupan obat
mereka dan berbagai titik data lain yang terkait dengan fungsi tubuh mereka, respons terhadap pengobatan,
dan protokol harian. Ini bisa menjadi tugas yang luar biasa dan rumit, yang menyebabkan rata-rata 40%
pasien menjadi tidak patuh setelah 150 hari menjalani uji klinis[26]. Sensor yang dapat dikenakan dan
pemantauan video dapat digunakan untuk mengumpulkan data pasien secara otomatis dan terus-menerus,
sehingga meringankan tugas pasien tersebut. ML dan khususnya model DL kemudian dapat digunakan untuk
menganalisis data tersebut secara real-time untuk mendeteksi dan mencatat peristiwa relevansi (Gambar 2).
Pendekatan ini memungkinkan buku harian penyakit dibuat yang – karena model DL analitik yang mendasari
secara berkala dilatih ulang dengan data pengukuran yang diperbarui – berkembang menjadi spesifik pasien
dan adaptif terhadap setiap perubahan dalam ekspresi penyakit dan perilaku pasien. Buku harian penyakit
tersebut dapat berfungsi sebagai bukti kepatuhan atau kekurangannya dan – karena input pasien manual
minimal atau tidak diperlukan – juga akan mengumpulkan titik data untuk deteksi titik akhir dengan lebih
andal dan efisien daripada metode pemantauan mandiri berbasis pasien saat ini. AI juga memiliki peran
penting dalam deteksi titik akhir berbasis gambar – tugas yang saat ini ditangani secara manual di pusat
bacaan. Teknologi ML telah diusulkanxiii [27] – dan baru-baru ini disetujui [28,29] – untuk aplikasi penyaringan
untuk deteksi cepat penyakit dari gambar medis. Melengkapi ini dengan algoritme yang mengukur kondisi
patologis[30–32] akan mengurangi biaya yang terkait dengan studi berbasis gambar dengan menghindari
pemrosesan manual.

Metode AI dan ML juga dapat digunakan untuk memprediksi secara dinamis risiko putus obat untuk pasien
tertentu, dengan kata lain untuk mendeteksi timbulnya perilaku pasien yang menunjukkan pasien mungkin
mengalami masalah dengan mematuhi protokol penelitian (Gambar 2). Salah satu contoh tersebut
menggambarkan penggunaan algoritma pembelajaran penguatan mendalam oleh Yauney dan Shah[33]
untuk menentukan paling sedikit, dosis terkecil yang masih bisa mengecilkan tumor otak, sekaligus
mengurangi toksisitas yang terkait dengan rejimen dosis kemoterapi. Didukung oleh teknik ML 'belajar
mandiri', sistem melihat rejimen pengobatan yang saat ini digunakan, dan menyesuaikan dosis secara
berulang. Akhirnya, ia menemukan rencana pengobatan yang optimal, dengan potensi serendah mungkin
dan frekuensi dosis yang masih harus mengurangi ukuran tumor ke tingkat yang sebanding dengan rejimen
tradisional. Dalam uji coba simulasi terhadap 50 pasien, model ML merancang siklus pengobatan yang
mengurangi potensi hingga seperempat atau setengah dari hampir semua dosis sambil mempertahankan
potensi penyusutan tumor yang sama, dan dengan demikian menjanjikan peningkatan kepatuhan pasien dan
pengurangan putus sekolah dan celaan. Mengambil tanda-tanda peringatan dini untuk ketidakpatuhan
memungkinkan keterlibatan proaktif dengan pasien individu dan memungkinkan akar penyebab perilaku
bermasalah untuk ditangani: misalnya, efek samping yang parah atau ketidaksesuaian studi dan rutinitas
pribadi dapat dideteksi dan diperbaiki sebelum menyebabkan putus sekolah . Pilihan sensor dan model
analitik sangat spesifik untuk penyakit dan perlu menjadi bagian dari desain studi klinis.

Menggunakan DL untuk pengenalan objek dalam gambar dan video, serta untuk menganalisis data deret waktu dari
sensor yang dapat dikenakan, studi pertama untuk menguji dan menjelajahi sistem pemantauan pasien yang dibantu
AI baru-baru ini telah dimulaixiv atau berhasil diselesaikanxv [34]. Munculnya perangkat wearable yang tersedia secara
komersial dengan kemampuan pendeteksian kesehatan tingkat medisxvi, serta ekosistem perangkat lunak pelengkap
untuk menjalankan model DL lanjutanxvii–xix pada platform seluler seperti itu, akan memungkinkan kombinasi sensor
yang lebih beragam untuk diselidiki untuk berbagai penyakit. Dalam penelitian sebelumnya, Shahdkk. mengevaluasi
signifikansi dan kemanjuran bukti klinis yang dihasilkan dari skrining diagnostik non-invasif (TES) yang didukung
teknologi canggih menggunakan biaya rendah

8 Tren Ilmu Farmakologi, Bulan 2019, Vol. xx, No. xx

Tren Ilmu Farmakologi

smartphone dan sensor medis tempat perawatan lainnya versus pemeriksaan tanda vital konvensional. Mereka
melaporkan bahwa, meskipun skrining kesehatan rutin terus menjadi penting, teknik TES yang muncul dapat
memainkan peran sinergis penting dalam stratifikasi populasi dan memberikan skrining dan perawatan yang
dipersonalisasi untuk mendukung desain uji klinis dan studi observasional untuk menghasilkan pendekatan
pengobatan baru yang inovatif.[35]. Kami berharap untuk melihat lebih banyak studi percontohan yang
membandingkan dampak teknologi tersebut pada efisiensi uji coba di samping uji klinis yang sedang berlangsung
dalam waktu dekat; untuk mengilustrasikan hal ini, berikut ini kami memberikan pandangan rinci tentang neurologi.

Penyakit neurologis menempati peran khusus terkait pengembangan obat: uji coba neurologi adalah salah satu dari
empat jenis uji coba dengan kinerja terendah di samping uji coba kardiovaskular, psikiatri, dan onkologi. [2]. Sangat
menantang untuk memantau pasien dalam uji neurologis untuk kontrol kepatuhan dan deteksi titik akhir. Seringkali
sifat episode akut dari gangguan neurologis membuat pasien tidak mungkin untuk memantau diri sendiri, untuk
mengontrol perilaku mereka, atau untuk menyimpan catatan peristiwa. Misalnya, pasien epilepsi yang mengalami
tidak adanya kejang tidak akan bisa melaporkan sendiri kejadian itu. Seorang pasien yang mengalami episode depresi
berkepanjangan mungkin memutuskan untuk tidak minum obat dan juga tidak melaporkan penyimpangan seperti itu
dari protokol percobaan. Bahkan pemantauan pihak ketiga oleh praktisi medis berpengalaman atau pengamat
independen tidak memungkinkan pencatatan peristiwa yang andal di sebagian besar penyakit neurologis.

Alasan untuk komplikasi ini sebagian besar adalah karena penyakit neurologis biasanya cenderung sangat individual,
dengan kata lain mereka terlihat berbeda pada masing-masing pasien, dan bahkan untuk pasien tertentu,
manifestasinya cenderung berubah dari waktu ke waktu. Hal ini membuat diagnosis dan pengobatan gangguan
neurologis menjadi upaya yang sangat menantang: untuk penyakit yang sama, profil diagnostik untuk satu pasien
mungkin tidak berlaku untuk pasien lain, dan bahkan untuk pasien yang sama, pola diagnostik dapat berubah seiring
waktu. Ini mencegah mengikuti jalur diagnostik dan pengobatan satu ukuran untuk semua, berbasis aturan. Sebuah
platform teknologi yang dapat dilatih untuk terus menganalisis dan menafsirkan data pasien untuk setiap pasien yang
terakumulasi dari waktu ke waktu, dan secara otomatis menyesuaikan dengan perubahan ekspresi penyakit dan
respons pengobatan, akan diperlukan untuk memungkinkan belajar dari data yang heterogen ini. Perkembangan
perangkat keras dan perangkat lunak AI terbaru menunjukkan bahwa AI dan sensor yang dapat dikenakan dapat
digabungkan untuk mengimplementasikan teknologi pemantauan dan analitik pasien yang otomatis, realtime.

Algoritme DL diposisikan secara unik untuk memenuhi persyaratan ini dan dengan demikian membawa obat presisi
ke neurologi. Kemajuan terbaru dalam prosesor seluler dan lingkungan pengkodean yang dikembangkan secara
khusus memungkinkan model DL dijalankan dekat atau pada titik penginderaan. Ini mengubah perangkat yang dapat
dikenakan dari penyimpanan informasi murni dan perangkat transmisi menjadi perangkat pencernaan dan analitik
informasi – sebuah konsep baru yang kami sebut 'penginderaan kognitif'. Perangkat yang dapat dikenakan mengukur
parameter biometrik melalui sistem seluler yang terpasang pada tubuh manusia, dan menyimpan data yang
dikumpulkan di perangkat atau mengirimkannya ke cloud untuk analisis offline. Saat revolusi perangkat wearable
berkembang, jumlah jenis parameter yang meningkat pesat dapat dipantau secara bersamaan, membuat
penyimpanan dan transmisi data sensor tanpa filter menjadi tidak mungkin. Algoritma untuk menganalisis, dengan
kata lain terus-menerus menghubungkan, mengontekstualisasikan, dan menyaring data mentah secara real-time
langsung pada titik penginderaan, akan diperlukan untuk mengekstrak informasi yang dapat ditindaklanjuti sebelum
kebutuhan penyimpanan atau transmisi data muncul. Model DL dalam kombinasi dengan prapemrosesan data dan
sistem kurasi pada sensor memungkinkan tugas ini diselesaikan. Arsitektur sensor kognitif yang dapat dipakai,
beroperasi secara mandiri, selalu aktif (Gambar 3) terdiri dari komponen sistem berikut: (i) biosensor jejak kaki
minimum yang dimasukkan ke (ii) prosesor seluler berdaya rendah yang mampu menjalankan model DL secara lokal
dengan (iii) antarmuka loop tertutup ke (iv) buku harian peristiwa yang secara instan dan proaktif mencatat informasi
tentang episode penyakit tertentu dan berinteraksi dengan pemakai atau pengasuh untuk dukungan, bimbingan, dan
intervensi pasien. Buku harian acara dengan demikian dapat menggunakan bahasa lokal

Tren Ilmu Farmakologi, Bulan 2019, Vol. xx, No. xx9

Tren Ilmu Farmakologi

Tren dalam Ilmu Farmakologi

Gambar 3. Sensor Kognitif. Data diukur oleh sensor yang dapat dikenakan dan dianalisis secara real-time pada titik penginderaan oleh
prosesor seluler yang menjalankan model kecerdasan buatan (AI). Hasil analisis kemudian disimpan di log lokal, di cloud, atau melalui
kombinasi keduanya.

unit memori, repositori cloud jarak jauh, atau versi hybrid keduanya. Berbagai platform biosensor dan
aktuator yang dapat dipakai dalam berbagai tahap kematangan teknis telah ditunjukkan atau sedang
dalam pengembangan[36] (Tabel 1).

Jenis data yang paling dominan yang diukur oleh sebagian besar jenis sensor ini adalah data deret waktu. Meskipun
DL secara tradisional berfokus pada analisis data citra menggunakan jaringan saraf convolutional yang dalam, karya
terbaru menunjukkan bahwa model jaringan saraf yang dirancang khusus juga secara unik cocok untuk menganalisis
aliran deret waktu yang kompleks.[37–39]. Untuk menjalankan algoritme DL secara terus-menerus secara real-time
pada titik penginderaan, diperlukan prosesor seluler dengan konsumsi daya yang sangat rendah. Kemajuan dalam
mengembangkan teknik perangkat keras AI dan perangkat lunak AI yang baru selama 3 tahun terakhir telah
menyebabkan beberapa versi solusi pemrosesan seluler yang disesuaikan dengan AI tersebut sekarang tersedia
untuk penggunaan di kehidupan nyata. Solusi ini dapat dikategorikan menjadi tiga jenis umum:

10 Tren Ilmu Farmakologi, Bulan 2019, Vol. xx, No. xx

Tren Ilmu Farmakologi

Tabel 1. Kemungkinan Kandidat untuk Dimasukkan ke dalam Sensor Kognitif

Jenis sensor Komponensebuah Aplikasi referensi

Implan saraf Elektroda stimulasi retina Mata Bionik [59]

Elektroda EEG dan ECOG Pemantauan aktivitas otak, stimulasi otak dalam, mengendalikan prostesis dengan
xlii,xliiii

pikiran

Sensor kulit buatan Protesa taktil [60]

xliv
Elektroseutikal Stimulasi saraf dan otak
xlv
Sensor tato Lensa kontak pintar Deteksi biomarker

Baterai tato elektrokimia Pengukuran data multimodal [61]

Tato elektroda EEG yang selalu aktif

Tambalan sirkuit terintegrasi berbiaya rendah [62]

Molekuler Sensor nano dan mikrofluida, sekuenser pengurutan DNA [63]
sensor DNA portabel

Pil pintar, nanobiosensor, Deteksi biomarker [64]

nanopartikel yang difungsikan

sebuahSingkatan: ECOG, elektrokortikografi; EEG, elektroensefalografi.

(i) perangkat keras yang dikembangkan secara khusus yang memerlukan lingkungan pengkodean AI yang
dikembangkan secara khusus, seperti chip TrueNorth IBM [40], (ii) perangkat keras yang dikembangkan
khusus yang kompatibel dengan alat pemrograman AI standar, seperti seri chip Snapdragon Qualcommxx dan
prosesor Movidius Intelxxx, dan (iii) prosesor seluler konvensional yang dapat diprogram menggunakan
platform pengkodean AI standar, seperti Apple Watchxvi, seri iPhone XS Apple yang mengusung chip A12
Bionicxxiii, dan juga berbagai smartphone lainnyaxxiii.

Berdasarkan beberapa teknik ini, aplikasi penginderaan kognitif pertama telah muncul di bidang ilmu saraf
terapan untuk memantau dan menafsirkan aktivitas otak, diagnostik, dan pencegahan prediktif pada epilepsi
dan gangguan mental, stimulasi otak dalam, antarmuka otak-mesin, dan bionik: beberapa kelompok telah
menunjukkan kelayakan menggunakan AI seluler untuk deteksi serangan epilepsi waktu nyata [41]xxiv dan
prediksi [42,43]xxv. Algoritme DL yang sama dapat diterapkan di beberapa kohort pasien, dan secara otomatis
menyesuaikan dengan pola penyakit individual dari setiap pasien saat mereka berkembang dan berubah
seiring waktu. Sistem pemantauan yang ditunjukkan tetap beroperasi selama periode waktu yang lama tanpa
memerlukan masukan pihak ketiga, dan dengan demikian akan menjadi pendeteksi dan prediktor kejang
pribadi untuk setiap pasien. Dalam demonstrasi lain, perangkat yang dapat dikenakan dan model ML telah
digunakan untuk mendeteksi keadaan kognitif dan emosional secara otomatisxxvi, untuk memantau pasien
dalam uji coba penyakit Parkinsonxiv, dan untuk menilai kualitas tidur (di antara parameter lainnya) dalam uji
coba neurologixxvii.

Seperti yang ditunjukkan sebelumnya, interoperabilitas dan standarisasi data dan metodologi adalah
tantangan utama untuk integrasi AI ke dalam desain uji klinis. Hal yang sama berlaku untuk teknologi dan
perangkat AI yang dapat dikenakan. Badan pengatur, bekerja sama dengan institusi akademik, medis, dan
farmasi, telah mulai menghasilkan kerangka kerja standarisasi dan rekomendasi praktik terbaik untuk
memasukkan teknologi yang dapat dipakai ke dalam desain uji klinisxxviii–xxx.

Penelitian yang sedang berlangsung di persimpangan AI, Internet untuk segala (IoT), dan perawatan kesehatan akan
menghasilkan lebih banyak perangkat kelas medis dengan kemampuan analitik canggih untuk pemantauan pasien
dan perkembangan penyakit secara real-time secara terus menerus. [44]xvi. Jika fokus yang sama kuatnya pada
standardisasi dan interoperabilitas dipertahankan, perangkat ini mungkin menjadikan penginderaan kognitif sebagai
alat yang efektif untuk meningkatkan kinerja uji coba neurologi. Penting untuk dicatat, bagaimanapun, bahwa data

Tren Ilmu Farmakologi, Bulan 2019, Vol. xx, No. xx11

Tren Ilmu Farmakologi

integritas dan keamanan menempati peran sentral dalam konsepsi, implementasi, dan eksploitasi buku Pertanyaan Luar Biasa
harian penyakit digital: pasien, dokter, dan badan pengatur akan bergantung pada integritas dan keamanan Bagaimana kami mengumpulkan dan
data pasien yang sensitif dan wawasan analitis yang diperoleh darinya. Sementara lingkungan yang sesuai menambang set besar data genom, studi
klinis masa lalu, artikel jurnal, dan data
dengan HIPAA merupakan dasar keamanan data, generasi lanjutan platform pemantauan dan perumahan
dunia nyata terkait, yang berpotensi
data berbasis AI akan menggunakanteknologi blockchain untuk memastikan komunikasi multipihak yang didistribusikan ke berbagai institusi dan
tepercaya dan dapat dilacak serta pertukaran data pemantauanxxxi–xxxiii. geografi, untuk meningkatkan pemilihan
pasien, kepatuhan protokol, perhitungan
kelayakan pasien, manajemen kunjungan
Kesimpulan dan Perspektif Masa Depan pasien, kinerja situs, statistik retensi, dan
Status quo dari proses pengembangan obat baru telah menempatkan farmasi besar dan sponsor deteksi efek samping?

pengembangan klinis lainnya dalam dilema [45]Saya di mana era obat blockbuster akan segera berakhir tetapi
Dapatkah repositori terbuka tempat peneliti
proses R&D untuk menambahkan obat baru ke dalam portofolio terlalu lambat dan terlalu mahal untuk
dapat mengunggah protokol dan praktik
mengimbangi perubahan ini. Transformasi mendasar dari model bisnis dan inovasi yang mendasari seluruh mereka, membagikannya dalam grup
industri diperlukan untuk perubahan paradigma ke lintasan pertumbuhan dan kemajuan baru yang publik atau pribadi, dan menerima kredit
untuknya, dikerahkan agar data ini tersedia
berkelanjutan.
untuk melatih model AI dan ML?

Selama 5 tahun terakhir, teknik AI modern telah maju ke tingkat kematangan yang memungkinkannya digunakan Bisakah kita membuat ekosistem kolaboratif yang

dalam kondisi kehidupan nyata untuk membantu pembuat keputusan manusia dalam visi komputer, navigasi, dan memberi insentif kepada pemilik kumpulan data

kepemilikan untuk memungkinkan data mereka

dalam beberapa kasus lingkungan medis dan perawatan kesehatan. [46]. Pada saat yang sama, farmasi dan
digunakan secara kolektif untuk melatih model AI
perawatan kesehatan masih merupakan industri yang paling diatur dan menghindari risiko. Menanamkan inovasi dan ML, sementara pada saat yang sama
yang mengubah proses yang sudah ada adalah tugas sulit yang perlu didekati dan diimplementasikan secara mempertahankan nilai dan menghormati akses dan

bertahap. Meskipun AI memiliki potensi untuk memengaruhi banyak langkah desain uji klinis mulai dari persiapan pembatasan penggunaan kumpulan data ini?

hingga eksekusi[47], setiap pitch AI yang bertujuan untuk menangani semua aspek sekaligus ditakdirkan untuk gagal.
Dapatkah algoritme AI dan ML dienkripsi untuk
Sebaliknya, ilmuwan data dan ilmuwan medis harus bersama-sama menentukan kasus penggunaan yang dapat mempertahankan identitas pasien dan memfasilitasi

dicapai di mana penerapan alat AI yang dipahami dengan baik ke subtugas tertentu dari desain uji klinis menjanjikan berbagi model terlatih dengan berbagai pemangku

kepentingan?
peningkatan terbesar dari kinerja uji coba secara keseluruhan (Gambar 2). Teknologi AI semacam itu pertama-tama
perlu diuji bersama dengan teknologi yang ada yang ingin dilengkapi atau diganti, dan nilai tambah harus
Akankah kotak alat AI dan ML, yang dikembangkan
ditunjukkan dan dijadikan tolok ukur dengan cara yang dapat dijelaskan, etis, berulang, dan terukur – tidak hanya terutama untuk bidang non-medis, akan berhasil

bagi pengguna tetapi juga bagi badan pengatur. Mengikuti pendekatan ini, AI dapat diadopsi ke dalam ekosistem uji diadaptasi atau dipindahkan untuk mempelajari,

mengklasifikasikan, dan memprediksi dari kumpulan

klinis selangkah demi selangkah, membuat uji coba lebih cepat, sementara pada saat yang sama diharapkan
data medis yang heterogen?
menurunkan tingkat kegagalan dan biaya R&D. Beberapa perusahaan farmasi dan AI telah mulai bersama-sama
menjelajahi jalan ini[47]xxxiv–xxxvii. Regulator telah menerapkan dan terus memperluas kerangka kerja untuk menilai Apakah proses pengembangan klinis baru

teknologi berbasis AI dalam perawatan kesehatanxxxviii. untuk pengumpulan data yang lebih
komprehensif layak dilakukan, di mana jaringan
profesional kesehatan terlatih mengunjungi
Selanjutnya, uji coba yang diselesaikan telah mengumpulkan kumpulan data yang membawa banyak informasi
pasien di rumah atau tempat kerja mereka
tentang korelasi antara fitur desain uji coba dan kinerja uji coba. Ini termasuk data dari uji klinis yang gagal. untuk mengumpulkan data penting bagi

Kumpulan data besar dan tidak terstruktur ini ditakdirkan untuk dianalisis oleh teknologi AI. Wawasan dapat mereka untuk berpartisipasi dalam uji klinis?

digunakan untuk mendidik desain uji coba yang lebih baik di masa depan dan juga untuk menyelidiki potensi
relevansi obat yang sudah diuji coba terhadap komorbiditas untuk penggunaan kembali obat.[8]. Namun demikian,
data percobaan yang gagal khususnya cenderung menjadi aset yang diabaikan yang sebagian besar tetap tidak
tersentuh di rak.

Penting untuk dicatat bahwa dampak terukur dari langkah-langkah tersebut pada efisiensi jalur R&D farmasi – bahkan
jika diterapkan dengan sukses sekarangxxxvii – tidak akan muncul dalam statistik sampai setelah penundaan 5-8 tahun.
Selain itu, akan ada biaya R&D tambahan di atas biaya yang sedang berlangsung; dengan kata lain, dari perspektif
investasi yang dibutuhkan, segala sesuatunya akan menjadi lebih buruk sebelum menjadi lebih baik.

Teknik AI yang dijelaskan dalam ulasan ini menawarkan kepraktisan dalam kehidupan nyata; namun, khususnya yang
berkaitan dengan kemampuan untuk dijelaskan, teknik ini harus matang untuk memungkinkan inklusi yang lebih luas
dalam aplikasi perawatan kesehatan dan ilmu kehidupan. Meskipun perkembangan ini berjalan lancar, kami

12 Tren Ilmu Farmakologi, Bulan 2019, Vol. xx, No. xx

Tren Ilmu Farmakologi

perlu mengakui bahwa kesempatan untuk mengubah siklus pengembangan obat melalui AI datang dengan
tanggung jawab besar untuk semua disiplin ilmu yang terlibat dan mandat untuk memenuhi syarat nilai dan
keandalan inovasi apa pun melalui kerja R&D yang ketat. Fase percontohan penelitian eksplorasi ini tidak
boleh dilewati karena alasan apa pun karena pelanggaran protokol penelitian atau pengaturan prematur dari
harapan yang tidak masuk akal pasti akan merusak kepercayaan dan pada akhirnya keberhasilan AI di sektor
klinis.

Dengan cara yang sama seperti perubahan desain uji klinis saja tidak akan mengubah efisiensi siklus R&D farmasi dari
pembusukan menjadi pertumbuhan, AI bukanlah peluru ajaib yang akan membuat tingkat keberhasilan uji klinis
meroket dalam semalam (lihat Pertanyaan Luar Biasa). Baik membentuk kembali desain uji klinis dan menggunakan
teknik AI untuk melakukannya adalah blok bangunan penting dari perombakan siklus pengembangan obat yang
sangat dibutuhkan.

ucapan terima kasih

Penulis ingin mengucapkan terima kasih kepada Josh Andres atas bantuannya dalam merancang dan mempersiapkan Gambar 2, Benjamin Goudey

untuk diskusi tentang pengayaan percobaan prognostik, dan Subhrajit Roy dan Isabell Kiral-Kornek untuk diskusi tentang deteksi titik akhir dalam

percobaan epilepsi. Kami juga ingin mengucapkan terima kasih kepada Dr Ajay Royyuru dari IBM Research untuk berbagi pengetahuannya tentang

desain uji klinis.

Sumber daya
https://endpts.com/pharmas-broken-business-model-an-industry-on-the-brink-of-terminal-decline/
Saya

iiwww.clinicalleader.com/doc/the-high-price-of-failed-clinical-trials-time-to-rethink-the-model-0001

aku aku akuwww.clinpal.com/clinpal-blog/recruitment-infographic/

ivhttps://trialfacts.com/patient-recruitment-timelines-why-they-should-be-important-to-you/

vwww.cognizant.com/whitepapers/patients-recruitment-forecast-in-clinical-trials-codex1382.pdf

viwww.fda.gov/downloads/Drugs/GuidanceComplianceRegulatoryInformation/Guidances/UCM332181.pdf

viiwww.wsj.com/articles/bristol-myers-opdivo-failed-to-meet-endpoint-in-key-lung-cancer-study-1470400926

viiiwww.techemergence.com/ai-machine-learning-clinical-trials-examining-x-current-applications/

ixwww.appliedclinicaltrialsonline.com/clinical-trial-recruitment-digital-era-some-smart-ideas

xhttp://social.eyeforpharma.com/clinical/5-tips-how-facilitate-clinical-trial-recruitment

xiwww.appliedclinicaltrialsonline.com/non-adherence-direct-influence-clinical-trial-duration-and-cost

xiiwww.appliedclinicaltrialsonline.com/mhealth-perspective-patient-centricity

xiiiwww.ibm.com/blogs/research/2018/10/glaucoma-detection

xivwww.ibm.com/blogs/research/2017/04/monitoring-parkinsons-disease/

xvhttps://britehealth.co/

xviwww.forbes.com/sites/davidphelan/2018/09/27/apple-watch-series-4-when-will-the-ecg-feature-arrive-in-the-statesand-

worldwide/#6c4061193a09
xviiwww.tensorflow.org/lite/

xviiihttps://code.fb.com/ml-applications/delivering-real-time-ai-in-the-palm-of-your-hand/

xixhttps://developer.apple.com/documentation/coreml

xxwww.qualcomm.com/snapdragon

xxxhttps://blogs.windows.com/buildingapps/2018/03/07/ai-platform-windows-developers/

xxiiihttps://venturebeat.com/2018/09/12/apple-unveils-7-nanometer-a12-bionic-chip-for-new-iphones/

xxiiihttps://venturebeat.com/2018/11/21/the-best-smartphones-for-the-ai-enthusiast/

xxivwww.wired.co.uk/article/empatica-embrace-epilepsy-wearable-medical-device

xxvwww.ibm.com/blogs/research/2017/12/ai-epileptic-seizure-prediction/

xxviwww.affectiva.com/how/deep-learning-at-affectiva/

xxviiwww.mobihealthnews.com/content/shimmer-unveils-wearable-sensor-platform-clinical-trials

xxviiihttps://healthpolicy.duke.edu/sites/default/files/atoms/files/duke-margolis_mhealth_action_plan.pdf

xxixwww.mobihealthnews.com/content/fda-Looking-real-world-evidence-device-evaluation

Tren Ilmu Farmakologi, Bulan 2019, Vol. xx, No. xx13

Tren Ilmu Farmakologi

xxxwww.mobihealthnews.com/content/rising-use-consumer-devices-clinical-trials-has-pharma-hungry-data-standards

xxxihttps://medium.com/@kabagak/blockchain-in-pharma-clinical-trial-data-management-556ee88b46b9

xxxiiiwww.iconplc.com/insights/blog/2018/06/21/harnessing-blockchain-technology/

xxxiiihttps://pharmaphorum.com/views-and-analysis/how-blockchain-will-revolutionise-clinical-trials-clinical-trials/

xxxivhttps://m.nasdaq.com/article/3-emerging-technologies-set-to-transform-the-pharma-world-cm944011

xxxvhttps://health.economictimes.indiatimes.com/news/industry/analytical-tools-and-the-ai-will-play-a-pivotal-role-in-thepharma-

industry-sumit-peer/65777024
xxxviwww.mobihealthnews.com/content/mayo-clinic-finds-ibm-watson-increases-enrollment-clinical-trials

xxxviiwww.techemergence.com/ai-in-pharma-and-biomedicine/

xxxviiiwww.fda.gov/newsevents/newsroom/pressannouncements/ucm604357.htm

xxxixwww.cdc.gov/ehrmeaningfuluse/introduction.html

xlwww.technologyreview.com/s/612404/is-this-ai-we-drew-you-a-flowchart-to-work-it-out/

xliwww.technologyreview.com/s/612437/what-is-machine-learning-we-drew-you-another-flowchart/

xliihttps://about.unimelb.edu.au/newsroom/news/2018/december/stentrode-development-for-brain-treatments-withoutmajor-

surgery
xliiiihttps://thenextweb.com/artificial-intelligence/2018/08/17/developing-bionics-how-ibm-is-adapting-mind-control-

foraccessibility/
xlivwww.scientificamerican.com/article/electroceuticals/

xlvwww.zdnet.com/article/how-smart-contact-lenses-will-help-keep-an-eye-on-your-health/

Referensi
1. Scannell, JW dkk. (2012) Mendiagnosis penurunan efisiensi
litbang farmasi. Nat. Pdt. Drug Discov.11, 191–200
2. Thomas, DW dkk. (2016) Tingkat Keberhasilan Pengembangan Klinis
2006–2015, BIO, Biomedtracker, dan Amplion
3. Hay, M. dkk. (2014) Tingkat keberhasilan pengembangan klinis
untuk obat yang diteliti. Nat. Bioteknologi.32, 40–51
4. Wong, CH dkk. (2019) Estimasi tingkat keberhasilan uji klinis
dan parameter terkait. Biostatistika 20, 273–286
5. Harrer, S. (2015) Mengukur kehidupan: sensor dan analitik untuk
pengobatan presisi. DiBio-MEMS dan Perangkat Mikro Medis II (van
den Driesche, S., ed.), hlm. 51802-1–951802-5, SPIE
6. Bakar, N. dkk. (2018) Kecerdasan buatan dalam penelitian penyakit
neurodegeneratif: penggunaan IBM Watson untuk mengidentifikasi protein
pengikat RNA tambahan yang diubah pada amyotrophic lateral sclerosis.
Acta Neuropatol. 135, 227–247
7. Spangler, S. dkk. (2014) Pembuatan hipotesis otomatis berdasarkan
literatur ilmiah pertambangan. DiProsiding Konferensi Internasional
ACM SIGKDD ke-20 tentang Penemuan Pengetahuan dan
Penambangan Data, hal. 1877–1886, ACM
8. Chen, Y dkk. (2016) IBM Watson: bagaimana komputasi kognitif dapat
diterapkan pada tantangan data besar dalam penelitian ilmu kehidupan.
klinik Ada.38, 688–701
9. Fanda, JM dkk. (2018) Kemajuan dalam fenotip elektronik: dari
definisi berbasis aturan hingga model pembelajaran mesin. annu.
Pdt. Biomed. Ilmu Data.1, 53–68
10. Goudey, B. dkk. (2019) Tanda tangan berbasis darah dari cairan
serebrospinal Aβ1–42 status. Sci. Reputasi.9, 4163
11. Palmqvist, S. dkk. (2019) Inisiatif Neuroimaging Penyakit Alzheimer,
2018. Estimasi risiko akurat dari -amiloid positif untuk
mengidentifikasi penyakit Alzheimer prodromal: studi validasi silang
dari algoritma praktis. Demensia Alzheimer. 15, 194–204
12. Romero, K. dkk. (2015) Masa depan sekarang: desain uji klinis
berbasis model untuk penyakit AIzheimer. klinik farmasi. Ada.
97, 210–214
13. Ghos, S. dkk. (2017) Eksplorasi struktur laten dalam studi
penyakit Huntington observasional. AMIA Jt. Terjemahan KTT
Sci. Prok.2017, 92–102
14. Matahari, Z dkk. (2017) Metode berbasis data untuk menghasilkan
indikator onset gejala yang kuat dalam data registri penyakit. AMIA
Annu. Sim. Prok.2017, 1635–1644
15. Matahari, Z dkk. (2019) Pendekatan pemodelan perkembangan penyakit
probabilistik dan penerapannya pada data observasi penyakit Hunting yang
terintegrasi. JAMIA Terbuka 2, 123-130
16. Che, C. dkk. (2017) Arsitektur RNN dengan pencocokan temporal
dinamis untuk prediksi penyakit Parkinson yang dipersonalisasi. Di
Prosiding Konferensi Internasional SIAM 2017 tentang Data Mining,
hal. 198–206, SIAM
17. Schobel, SA dkk. (2017) Penurunan motorik, kognitif, dan
fungsional berkontribusi pada satu faktor progresif pada HD
awal. Neurologi 89, 2495–2502
18. Muda, T dkk. (2018) Tren terkini dalam pemrosesan bahasa alami berbasis
pembelajaran mendalam. Komputer IEEE. Intel. Mag.13, 55–75
19. Fogel, DB (2018) Faktor yang terkait dengan uji klinis yang gagal dan
peluang untuk meningkatkan kemungkinan keberhasilan: tinjauan.
penghinaan klinik Percobaan Umum.11, 156-164
20. LeCun, Y. (2018) Kekuatan dan Batasan Pembelajaran Mendalam: dalam
pidato Medali IRI-nya, Yann LeCun memetakan pengembangan teknik
pembelajaran mesin dan menyarankan apa yang mungkin terjadi di masa
depan. Res. teknologi. Kelola.61, 22–27
21. LeCun, Y. dkk. (2015) Pembelajaran yang mendalam. Alam 521, 436–444
22. Helgeson, J. dkk. (2018) Uji coba kinerja klinis menggunakan
komputasi kognitif untuk pencocokan uji klinis di Mayo Clinic. J.klin.
Onkol.36, e18598
23. Reisman, M. (2017) EHRs: tantangan membuat data elektronik dapat
digunakan dan dapat dioperasikan. Farmasi. Ada.42, 572–575
24. Orlando, AW and Rosoff, AJ (2019) Krisis privasi baru: apa
hubungannya dengan kesehatan? Saya. J. Med.132, 127-128
25. Topol, EJ (2015) Pasien Akan Melihat Anda Sekarang: Masa Depan
Kedokteran Ada di Tangan Anda, Buku Dasar
26. Blaschke, TF dkk. (2012) Kepatuhan terhadap pengobatan: wawasan yang muncul dari
studi tentang hubungan yang tidak dapat diandalkan antara riwayat dosis obat yang
diresepkan dan yang sebenarnya. annu. Pdt. Pharmacol. racun.
52, 275–301
27. Pallab, R. dkk. (2017) Pendekatan hibrida baru untuk penilaian
keparahan retinopati diabetik pada gambar fundus berwarna.
Pencitraan Biomedis (ISBI 2017), hlm. 1078–1082
28. Abromoff, MD dkk. (2018) Uji coba penting dari sistem diagnostik
otonom berbasis AI untuk mendeteksi retinopati diabetik di kantor
perawatan primer. angka npj. Med.1, 39
29. Rodriguez-Ruiz, A. dkk. (2019) Kecerdasan buatan yang berdiri sendiri untuk
deteksi kanker payudara dalam mamografi: dibandingkan dengan 101 ahli
radiologi. J.Natl. Kanker Inst.Dipublikasikan secara online 5 Maret 2019.
https://dx.doi.org/10.1093/jnci/djy222
30. Suman, S. dkk. (2018) Segmentasi sendi dan visualisasi ketidakpastian
lapisan retina dalam gambar tomografi koherensi optik
menggunakan pembelajaran mendalam Bayesian. DiKomputasi

14 Tren Ilmu Farmakologi, Bulan 2019, Vol. xx, No. xx

Tren Ilmu Farmakologi
Analisis Citra Medis Patologi dan Oftalmik (Stoyanov, D., dkk.,
eds), hlm. 219–227, Springer
31. Mahapatra, D. dkk. (2018) Registrasi citra medis yang dapat dideformasi
menggunakan jaringan permusuhan generatif. Pencitraan Biomedis (ISBI
2018), hlm. 1449–1453
32. De Fauw, J dkk. (2018) Pembelajaran mendalam yang dapat diterapkan secara klinis
untuk diagnosis dan rujukan pada penyakit retina. Nat. Med.24, 1342
33. Yauney, G. and Shah, P. (2018) Penguatan pembelajaran dengan
imbalan tindakan yang diturunkan untuk kemoterapi dan pemilihan
rejimen dosis uji klinis. PMLR 85, 161–226
34. Labovitz, DL dkk. (2017) Menggunakan kecerdasan buatan untuk
mengurangi risiko ketidakpatuhan pada pasien pada terapi
antikoagulasi. Stroke 48, 1416–1419
35. Syah, P dkk. (2018) Pemeriksaan irama jantung, saraf optik, kesehatan
mulut, membran timpani, gaya berjalan dan koordinasi yang
didukung teknologi dievaluasi bersama dengan pemeriksaan
kesehatan rutin: sebuah studi observasional di Kumbh Mela 2015 di
India. BMJ Terbuka 8, e018774
36. Yetisen, AK dkk. (2018) Produk yang dapat dikenakan dalam kedokteran. Adv. ibu.30
1706910 1-26
37. Roy, S. dkk. (2018) ChronoNet: jaringan saraf berulang yang dalam
untuk identifikasi EEG abnormal. arXiv Dipublikasikan online 30
Januari 2018. https://arxiv.org/abs/1802.00308
38. Asif, U. dkk. (2019) SeizureNet: jaringan saraf convolutional yang
dalam untuk klasifikasi jenis kejang yang akurat dan deteksi kejang.
arXiv Dipublikasikan secara online 8 Maret 2019. https://arxiv.org/
abs/1903.03232
39. Roy, S. dkk. (2019) Pembelajaran mesin untuk klasifikasi jenis kejang:
menetapkan tolok ukur. arXiv Dipublikasikan secara online 4
Februari 2019. https://arxiv.org/abs/1902.01012
40. Merola, PA dkk. (2014) Satu juta sirkuit terintegrasi spiking-neuron
dengan jaringan dan antarmuka komunikasi yang dapat diskalakan.
Sains 8, 668–673
41. Ulate-Campos, A. dkk. (2016) Sistem deteksi kejang otomatis
dan efektivitasnya untuk setiap jenis kejang. Penangkapan 40,
88-101
42. Kiral-Kornek, I. dkk. (2018) Prediksi serangan epilepsi menggunakan data
besar dan pembelajaran mendalam: menuju sistem seluler. EBioKedokteran
27, 103–111
43. Stacey, W. (2018) Prediksi kejang mungkin terjadi – sekarang mari kita
praktikkan. EBioKedokteran 27, 3-4
44. Gabrani, M. dkk. (2018) Ketika data bertemu langsung dengan
penyakit: tren baru dalam mengobati dan mengelola epilepsi.
https://peneliti. watson.ibm.com/researcher/files/au1-sharrer/
EpilepsyWP_ Nov2018.pdf
45. Weiss, D. dkk. (2009) Dilema 'farmasi besar': mengembangkan obat baru atau
mempromosikan obat yang sudah ada? Nat. Pdt. Drug Discov.8, 533–534
46. Walczak, S. (2018) Peran kecerdasan buatan dalam sistem
pendukung keputusan klinis dan kerangka klasifikasi. Int. J.
Hitung. klinik Praktek.3, 31–47
47. Lee, J. dan Varadharajan, D. (2018) Masa Depan Uji Klinis: Bagaimana AI dan
Teknologi Besar Dapat Membuat Pengembangan Obat Lebih Murah, Lebih
Cepat, dan Lebih Efektif, CBInsights
48. Clancey, WJ dan Shortliffe, EH (1984) Bacaan dalam Kecerdasan
Buatan Medis: Dekade Pertama, Addison-Wesley Longman
49. McCauley, N. dan Ala, M. (1992) Penggunaan sistem pakar
dalam industri kesehatan. Inf. Kelola.22, 227–235
50. Niu, F. dkk. (2011) HOGWILD!: pendekatan bebas kunci untuk
memparalelkan penurunan gradien stokastik. arXiv Diterbitkan
online 28 Juni 2011. https://arxiv.org/abs/1106.5730
51. Wang, F dkk. (2018) Pembelajaran mendalam dalam kedokteran –
janji, kemajuan, dan tantangan. Jamaah magang. Med.179, 293–294
52. Gulshan, V. dkk. (2016) Pengembangan dan validasi algoritma
pembelajaran mendalam untuk mendeteksi retinopati diabetik pada
foto fundus retina. JAMA 316, 2402–2410
53. Esteva, A. dkk. (2017) Klasifikasi kanker kulit tingkat dokter kulit
dengan jaringan saraf dalam. Alam 542, 115–118
54. Topol, E. (2019) Obat berkinerja tinggi: konvergensi kecerdasan
manusia dan buatan. Nat. Med.25, 44–56
55. Mohan, S. dkk. (2017) Pembelajaran mendalam untuk pengambilan
informasi biomedis: mempelajari relevansi tekstual dari log klik. Di
Prok. Lokakarya BioNLP 2017,hlm. 222–231, Asosiasi Linguistik
Komputasi
56. Tan, J dkk. (2014) Konstruksi fitur tanpa pengawasan dan ekstraksi
pengetahuan dari pengujian genome-wide kanker payudara dengan
autoencoder denoising. pak Sim. Biokomputer.
20, 132-143
57. Zurada, J. (1994) Pembelajaran posisi target efektor akhir
menggunakan feedforward dengan propagasi balik error dan
jaringan saraf berulang. DiProk. 1994 Konferensi Internasional IEEE
tentang Neural Networks (ICNN'94),hal. 2633–2638, IEEE
58. Wang, Y. dan Zeng, J. (2013) Memprediksi interaksi obat-target
menggunakan mesin Boltzmann terbatas. Bioinformatika 29,
i126–i134
59. Hadjinicolaou, AE dkk. (2015) Penglihatan prostetik: perangkat, hasil
pasien, dan penelitian retina. klinik Eks. Optom.98, 395–410
60. Ahmad, A dkk. (2019) Platform penginderaan cerdas yang sangat dapat dibentuk
berdasarkan permukaan yang diresapi ferrofluid multimodal. Adv. ibu.
31, 18072001
61. Norton, JJS dkk. (2015) Sistem elektroda melengkung yang lembut yang
mampu berintegrasi pada daun telinga sebagai antarmuka otak-komputer
yang persisten. Prok. Natal akad. Sci. Amerika Serikat112, 3920–3925
62. Yang, S dkk. (2015) Pembuatan cut-and-paste sistem sensor
epidermis multiparametrik. Adv. ibu.27, 6423–6430
63. Harer, S. dkk. (2015) Penyaringan biomolekul tanpa label
melalui teknologi penginderaan pulsa resistif untuk aplikasi
obat presisi. nanoteknologi 26, 182502
64. Shandilya, R. dkk. (2019) Nanobiosensor: pendekatan titik
perawatan untuk diagnostik kanker. Biosens. Bioelektron.130,
147–165
Tren Ilmu Farmakologi, Bulan 2019, Vol. xx, No. xx15