Perpustakaan Digital ITB

Menurut data Pusat Statistik Kesehatan Nasional pada tahun 2018, sekitar 24% persen orang mengkonsumsi 3 obat resep atau lebih, dan 12,8 persen mengonsumsi 5 obat resep atau lebih. Interaksi antar obat merupakan permasalahan serius yang dapat menyebabkan Kejadian Efek Samping (Adverse Drug Events). Akan sulit bagi dokter atau apoteker untuk meluangkan waktu memantau interaksi obat pada setiap pasien, meskipun dokter atau apoteker memahami kemungkinan interaksi. Selain itu, volume literatur biomedis berkembang pesat. Ada banyak database obat yang berisi informasi tidak terstruktur tentang interaksi obat-obat. Namun, tantangannya adalah model baru yang dapat menangkap informasi kontekstual. Dataset DDI 2013 saat ini cukup tidak seimbang karena lebih dari 80% pasangan penyebutan merupakan contoh negatif (misalnya tidak ada hubungan). Penelitian sebelumnya oleh Xiong, dkk (2019) menggunakan Bi-LSTM dan GCN. Maka, pada penelitian ini akan menggunakan pendekatan yang berbeda menggunakan BioBERT dan Graph Convolutional Neural Network. BioBERT memiliki kemampuan untuk menghasilkan embedding yang berbeda untuk sebuah kata tergantung pada konteks kemunculannya dan sudah dilatih pada data biomedis. Selain itu, Graph Convolutional Neural Network dapat menangkap informasi baik secara sintaksis dan kontekstual. Hasil eksperimen dari model ini memiliki akurasi 75.43% dan F1 score 65%. Eksperimen menunjukkan bahwa model yang diusulkan belum dapat mencapai hasil yang baik pada dataset DDI 2013.