REPUBLIKA.CO.ID, JAKARTA -- Sebagai institusi pendidikan tinggi terkemuka, Universitas Indonesia terus melahirkan inovasi yang menjadi jembatan antara teknologi mutakhir dan solusi kesehatan nyata bagi masyarakat.
Melalui riset mendalam di bidang neurologi anak, para akademisinya kini berhasil mengintegrasikan kecerdasan buatan untuk menjawab tantangan medis yang selama ini sulit dipecahkan secara konvensional. Penemuan ini diharapkan mampu merevolusi standar pengobatan epilepsi di Indonesia, memberikan harapan baru bagi pasien anak untuk mendapatkan kualitas hidup yang lebih baik melalui terapi yang lebih presisi.
Salah satu tantangan besar yang dihadapi dunia medis saat ini adalah penanganan Epilepsi Resistensi Obat (ERO). ERO merupakan gangguan neurologis kronis pada anak yang ditandai dengan kegagalan sistem tubuh dalam mengendalikan kejang, meskipun pasien telah diberikan dua jenis obat antiepilepsi (OAE) yang tepat dengan dosis maksimal yang masih dapat ditoleransi. Kondisi ini sangat kompleks karena tidak merespons pengobatan standar yang biasanya efektif bagi pasien epilepsi pada umumnya.
Sekitar 6 hingga 14 persen anak dengan epilepsi berisiko berkembang menjadi ERO, dengan insidensi tertinggi sering ditemukan pada tahun pertama kehidupan atau masa bayi. Jika tidak ditangani dengan strategi yang tepat, frekuensi kejang yang tidak terkontrol ini dapat mengganggu perkembangan kognitif dan motorik anak secara permanen. Oleh karena itu, identifikasi dini dan ketepatan pemilihan lini pengobatan selanjutnya menjadi sangat krusial.
Menjawab persoalan tersebut, Doktor Program Studi Ilmu Kedokteran Fakultas Kedokteran Universitas Indonesia (FK UI), Achmad Rafli, mengembangkan teknologi machine learning untuk memprediksi keberhasilan tata laksana pada anak dengan ERO. Inovasi ini dirancang untuk meningkatkan akurasi penilaian klinis serta mendukung dokter dalam mengambil keputusan terapi yang paling efektif bagi setiap individu pasien.
"Pemilihan obat antiepilepsi yang tepat merupakan aspek krusial, namun variasi karakteristik intrinsik pasien menyebabkan respons pengobatan menjadi sangat beragam. Selain itu, pemeriksaan biomarker untuk memprediksi respons individu masih sulit dilakukan secara rutin," tutur Achmad Rafli dalam keterangannya di Depok, Jumat (16/1/2026).
Dalam risetnya yang berjudul "Pengembangan Model Machine Learning dalam Memprediksi Keberhasilan Tata Laksana pada Anak dengan Epilepsi Resisten Obat", dosen Ilmu Kesehatan Anak FK UI ini menyoroti berbagai hambatan di lapangan. Tantangan tersebut meliputi keterbatasan fasilitas pemeriksaan genetik, waktu tunggu pemeriksaan Magnetic Resonance Imaging (MRI) yang panjang, hingga pemilihan kombinasi obat yang belum optimal.
Melalui pemanfaatan kecerdasan buatan (AI), machine learning mampu mempelajari pola kompleks dari data klinis pasien untuk memprediksi luaran terapi secara cepat dan akurat. Dalam penelitian ini, keberhasilan pengobatan diukur melalui pemantauan frekuensi kejang selama tiga bulan. Kategori "terkontrol" ditetapkan apabila terjadi penurunan frekuensi kejang sebesar 75 persen atau lebih setelah intervensi medis dilakukan.
Terobosan ini membuktikan bahwa integrasi teknologi digital dalam dunia kedokteran dapat menutupi celah keterbatasan fasilitas fisik di rumah sakit. Dengan model prediksi yang dikembangkan di Universitas Indonesia ini, para tenaga medis kini memiliki alat bantu berbasis data untuk memberikan penanganan yang lebih personal dan efektif bagi anak-anak pengidap epilepsi di seluruh Indonesia.
Ikuti Whatsapp Channel Republika