Perpustakaan Digital ITB

Interaksi obat merupakan salah satu penyebab utama efek samping yang tidak diinginkan dalam praktik klinis. Di Indonesia, tenaga kesehatan masih menghadapi keterbatasan sistem pendukung keputusan klinis (Clinical Decision Support System/CDSS) yang mampu memproses keluhan pasien berbahasa Indonesia secara otomatis. Penelitian ini merancang dan mengimplementasikan sistem CDSS hibrida yang mengintegrasikan tiga modul utama, yaitu: (1) modul Named Entity Recognition (NER) berbasis IndoBERT dengan Conditional Random Field (CRF) untuk mengekstraksi entitas medis dari teks keluhan pasien berbahasa Indonesia, (2) modul prediksi Drug-Drug Interaction (DDI) berbasis arsitektur Multi-type Feature Fusion Graph Neural Network (MFFGNN) yang menggabungkan representasi SMILES melalui Bi-GRU, graf molekul melalui GIN, dan graf interaksi melalui Fusion GCN, serta (3) modul Retrieval-Augmented Generation (RAG) menggunakan FAISS dan Gemini 2.5 Flash/Flash-Lite untuk menghasilkan laporan klinis yang informatif dan transparan. Hasil evaluasi menunjukkan bahwa modul NER mencapai rata-rata F1-score sebesar 0,9961 pada validasi silang 5-fold. Modul DDI memperoleh ROC-AUC sebesar 0,9539 pada dataset ChCh-Miner. Pada modul RAG, penggunaan basis pengetahuan berisi 592.122 dokumen berhasil menurunkan tingkat halusinasi konten dari 16,9% pada mode tanpa RAG menjadi 9,6% pada mode dengan RAG, atau mengalami reduksi sebesar 42,9%. Selain itu, sistem menghasilkan 365 sitasi sumber pada 78 dari 83 kasus end-to-end (94,0%), sedangkan mode tanpa RAG tidak menghasilkan sitasi sama sekali. Seluruh kebutuhan fungsional (F01–F04) berhasil dipenuhi. Dukungan terhadap 130 alias obat menghasilkan keandalan prediksi DDI sebesar 81,2% pada 96 pasangan obat dari 83 kasus uji. Pasangan obat yang tidak tersedia pada basis data ChCh-Miner ditangani secara konservatif melalui mekanisme abstain. Dari sisi non-fungsional, sistem mencapai rata-rata waktu respons sebesar 6,2 detik dan memenuhi target operasional di bawah 10 detik. Hasil penelitian menunjukkan bahwa pendekatan hibrida NER-DDI-RAG memiliki potensi sebagai CDSS yang mampu memproses keluhan pasien berbahasa Indonesia untuk menghasilkan prediksi interaksi obat beserta laporan klinis pendukung secara otomatis, baik bagi tenaga kesehatan maupun pasien.