Dosis digital dan masa depan pemantauan terapi obat: wawasan dari kongres IATDMCT ke-23

Dalam hal terapi, tantangan inti klinis sering kali mengarah pada pertanyaan penting: berapa banyak obat dan untuk berapa lama? Untuk waktu yang terlalu lama, aspirasi terhadap obat yang benar-benar dipersonalisasi telah dibatasi oleh keterbatasan model farmakokinetik (FK) yang statis, serba cocok, dan ketinggalan zaman – sistem yang kaku dan tidak dilengkapi untuk pengobatan canggih seperti pengobatan biologis dan senyawa baru yang kuat.  Namun, bagaimana jika perangkat digital yang mengubah industri kita bisa mengembalikan waktu Anda? Integrasi teknologi digital modern dapat mengubah secara fundamental dinamika ini, menggeser pemantauan terapi obat (PTO) dari alat pengukuran reaktif menjadi strategi klinis proaktif dan prediktif. Transformasi digital ini memberi para dokter kemampuan untuk membuat keputusan yang efisien dan akurat sementara memungkinkan laboratorium dan rumah sakit untuk mencapai hasil yang lebih baik, mengurangi biaya, dan meningkatkan pengalaman pasien [1, 2]. Kelayakan visi ini menjadi salah satu tema sentral dalam konferensi Asosiasi Internasional Pemantauan Terapi Obat dan Toksikologi Klinis (International Association of Therapeutic Drug Monitoring and Clinical Toxicology, IATDMCT) ke-23 di Singapura tahun lalu. Berlangsung pada bulan September, acara ini diselenggarakan oleh sebuah kelompok elit dari para ahli terkemuka industri dan perintis strategis untuk menampilkan secara tepat bagaimana alat-alat ini dioperasionalkan.  Tim Lab Insights mencatat wawasan kunci yang diambil dari empat presentasi mendalam, yang menunjukkan pendekatan multifaset untuk mencerna PTO dan toksikologi klinis, memvalidasi perannya dalam bergerak ke arah perawatan yang dipersonalisasi: 

• • Dr. Amy Legg mengeksplorasi peran strategis kecerdasan buatan (artificial intelligence, AI) dan Big Data dalam membentuk kembali penelitian PTO, menekankan kebutuhan untuk model prediktif yang dinamis. Karyanya, yang berakar pada farmasi klinis dan tata laksana antimikroba, menyoroti potensi investasi penelitian dalam sistem rekam medis elektronik (RME) digital untuk mengatasi pertanyaan klinis kompleks, dari interaksi obat yang langka hingga FK populasi tertentu.
• • Dr. Tomoyuki Yamada menunjukkan bagaimana memanfaatkan banyak sumber data dunia nyata (real-world data, RWD) memberikan sinyal keamanan penting dan memajukan praktik klinis dalam toksikologi dan pemantauan obat-obatan. Sebagai Kepala Apoteker yang memimpin upaya farmakovigilans, studi kasus Dr. Yamada – seperti menilai interaksi daptomisin-statin dan mengevaluasi tindak lanjut PTO untuk mengurangi toksisitas vankomisin – menunjukkan dampak nyata dari analitis RWD pada hasil pasien.
• • Dr. Dirk Jan Moes menjelaskan penerapan strategis Model Dosis Presisi Terinformasi (Model-Informed Precision Dosing, MIPD) untuk bidang biologi kompleks dalam onkologi, dengan menyoroti manfaat finansial dan klinis yang dapat dihitung dari sistem digital terintegrasi. Selaku associate profesor farmakometri klinis, Dr. Moes berfokus pada bagaimana strategi MIPD dapat mempersonalisasi dosis untuk obat biologis tertentu – termasuk Daratumab dan Nivolumab – untuk mengurangi toksisitas finansial dan klinis.
• • Dr. Tomoyuki Mizuno menunjukkan penggunaan paling mutakhir dari pembelajaran mesin (machine learning, ML) dan dasbor dukungan keputusan yang terintegrasi untuk memfasilitasi dosis ketepatan hiper, terutama dalam menantang pengaturan perawatan pasien anak-anak. Dr. Mizuno, yang memimpin Pusat Keunggulan Farmakometrik, berfokus dalam meningkatkan kerangka kerja MIPD dengan menggunakan ML untuk mengatasi kerumitan dosis yang unik bagi anak-anak, menyediakan tenaga klinis dengan alat samping tempat tidur yang inovatif.

Bersama-sama, para ahli ini menerangi pilar digital penting yang akan menentukan generasi selanjutnya dari nilai diagnostik dan perawatan pasien.

MIPD sebagai dasar platform

Tidak ada dua tubuh yang identik, dan ada kebutuhan klinis untuk individualisasi. “Tubuh kita bukanlah satu tangki ikan yang sama. Obat terdistribusi secara berbeda,” Dosen Andrea Kwa dari Singapore General Hospital menekankan dalam pidato utamanya. Tujuan dari dosis presisi adalah dalam hal identifikasi dosis paling optimal yang akan memberikan khasiat yang diperlukan dengan toksisitas minimal pada setiap pasien [1]. MIPD telah muncul sebagai kerangka kuantitatif penting untuk mencapai tujuan ini. Obat ini menggunakan model farmakokinetik/farmakodinamik (FK/FD) canggih untuk mengintegrasikan dan menggunakan informasi spesifik pasien dan pengamatan klinis, individualisasi dosis pada beberapa langkah dalam seluruh terapi obat. Pendekatan ini berfungsi untuk memprediksi, mengonfirmasi, mempelajari, dan menerapkan siklus:

• • Prediksi (adaptasi dosis depan): Data dasar pasien – seperti berat badan, umur, susunan genetik, dan fungsi organ – dikumpulkan sebagai kovariat untuk menginformasikan model dan desain dosis awal. Dr. Moes menyebut langkah awal yang krusial ini sebagai “adaptasi dosis depan” [2].
  • Konfirmasi dan perbaikan: Untuk mengontrol variabilitas antarpasien yang tinggi, data yang diamati (misalnya pengukuran konsentrasi obat dan biomarker FD) digunakan sebagai umpan balik Bayesian untuk memperbarui model, yang memungkinkan untuk mencerminkan penanganan obat pasien yang sebenarnya dan fenotipe. [2] Proses iteratif ini memungkinkan dilakukannya perbaikan dosis yang diperlukan pada pengumpulan biomarker, yang terutama sangat penting ketika menangani obat-obatan yang lebih rumit seperti obat-obatan biologis dalam hemato-onkologi, di mana Dr. Moes menekankan pentingnya keampuhan dan keselamatan bagi populasi pasien yang menantang. [2]  

Sebagai pendorong utama penggunaan MIPD yang efektif, karenanya memerlukan infrastruktur klinis yang kuat, uji laboratorium yang andal (misalnya, Kromatografi Cair-Spektrometri Massa untuk multipleksing beberapa antibodi), dan yang terpenting, integrasi RME dan sistem informasi laboratorium (laboratory information systems, LIS) secara langsung ke dalam alat dosis [1]. Salah satu contoh yang terakhir adalah program bernama RoadMAB, sebuah perangkat lunak kontrol dosis yang dikembangkan oleh Dr. Mizuno dan timnya di Cincinnati Children’s Hospital Medical Center (CCHMC) [3, 4]. Alat ini dirancang khusus untuk diintegrasikan ke dalam RME untuk mengoreksi data pasien secara otomatis yang diperlukan untuk analisis, secara efektif menutup loop digital antara data, diagnosis, dengan keputusan.  

Kekuatan RWD dan analisis big data

Sementara MIPD menyediakan kerangka kerja kuantitatif penting untuk dosis individual, kekuatan sebenarnya dari pendekatan digital ini disadari ketika model prediktifnya terus disempurnakan oleh bukti-bukti dunia nyata. Di sinilah RWD dan analisis big data menjadi alat yang sangat diperlukan untuk memajukan PTO maupun toksikologi klinis [5].  Kekuatan RWD terletak pada koleksi yang luas. RWD bersumber dari data dasar pelaporan spontan, data dasar klaim, dan RME, memberikan wawasan komplementer yang penting untuk mendeteksi kejadian yang tidak diinginkan dan mengevaluasi pola praktik klinis saat ini [6]. Set data yang luas dan kompleks ini penting untuk menghasilkan hipotesis: set RWD yang besar dan observasional – seperti registri BLUeY untuk PTO beta-laktam seperti yang dikutip oleh Dr. Legg [5] – memungkinkan ML untuk mengidentifikasi sinyal-sinyal awal yang menghasilkan hipotesis yang sering hilang dalam studi tradisional yang lebih kecil karena hasil yang langka atau variabilitas pasien yang kompleks [8].  Lebih penting lagi, data ini diterjemahkan secara langsung ke dalam dampak klinis yang dapat ditunjukkan. Analisis data klaim, misalnya, telah menunjukkan bahwa PTO tindak lanjut yang konsisten dapat secara dramatis mengurangi kejadian toksisitas yang diinduksi obat, dengan satu studi mencatat bahwa pendekatan ini menurunkan insiden nefrotoksisitas induksi vankomisin dari 60,9% menjadi 9,9%, seperti yang disajikan oleh Dr Yamada [6]. 

AI dan ML untuk dukungan keputusan generasi berikutnya

Kemampuan untuk menghasilkan hipotesis dan memvalidasi pola praktik menggunakan RWD menciptakan permintaan penting untuk alat analisis canggih yang mampu memproses dataset yang besar dan kompleks seperti itu. Melalui kemampuan komputasi AI dan ML canggih, laboratorium diagnostik dan tim klinis dapat mengubah limpahan data ini menjadi wawasan penentuan dosis prediktif, dapat ditindaklanjuti, dan terpersonalisasi.

• • Pemodelan dinamis: AI sangat penting untuk menangani ukuran sampel yang besar dan menggabungkan variabel-variabel yang diperlukan untuk mengembangkan model FK populasi yang lebih kompleks dan dinamis (PopFK) yang dapat menyesuaikan diri dengan parameter klinis pasien yang berubah dari waktu ke waktu, seperti yang disorot oleh Dr. Legg [8].
  • Modelhibrid: Dr. Mizuno juga menekankan bahwa pendekatan paling menjanjikan bergerak di luar teknologi silo. Hal ini melibatkan penggabungan plausibilitas klinis perkiraan Bayesian konvensional dengan ML (misalnya, menggunakan model XGBoost) untuk memperbaiki kesalahan prediksi. Hal ini menghasilkan model hibrida kuat yang secara konsisten mengungguli pendekatan PopFK konvensional [3].
  • AI otomasi dan agregat: Melihat ke depan, sistem masa depan menggunakan pembelajaran penguatan untuk membuat alat AI yang dapat secara otomatis mengumpulkan data pasien, menilai pilihan pengobatan, dan menyarankan regimen dan interval dosis. Dr. Mizuno juga menekankan bahwa kemajuan ini menyederhanakan seluruh proses dosis ini dan meningkatkan pengambilan keputusan manusia [3].

Nilai strategis dan laba atas investasi (return on investment, ROI) untuk kepemimpinan diagnostik

Secara keseluruhan, integrasi kerangka MIPD, RWD, dan AI prediktif lebih dari sebuah konsep akademik yang menandakan pergeseran fundamental dalam pernyataan nilai diagnostik. Bagi pimpinan laboratorium dan rumah sakit, konvergensi ini diterjemahkan langsung ke dalam manfaat yang dapat diukur yang berdampak pada manfaat pasien dan manfaat perusahaan.

A) Meningkatnya keselamatan pasien dan hasil klinis

Manfaat utama transformasi digital adalah kemampuannya untuk meningkatkan layanan diagnostik dari pelaporan pasif ke dalam panduan aktif yang dipersonalisasi, yang mengarah pada perawatan pasien yang lebih baik:

• • Presisi dan akurasi: Algoritma AI memberikan tingkat kemampuan prediktif yang sebelumnya tidak dapat dicapai. Misalnya, alat AI telah menunjukkan kemampuan untuk memprediksi nilai-nilai klinis penting, seperti Rasio Normal Internasional (International Normalized Ratio, INR) hari kelima untuk warfarin, dengan akurasi yang dapat mencocokkan atau sedikit mengungguli keahlian manusia [8]. Kekuatan prediktif ini meminimalkan penundaan berbahaya dalam pengobatan optimal.
  • Intervensi proaktif: Dengan menghubungkan model prediktif dengan alur kerja klinis, dasbor dukungan keputusan digital memungkinkan dokter menerima rekomendasi dosis langsung yang dipandu FK. Menurut Dr. Mizuno, hal ini memfasilitasi intervensi proaktif, mendukung hasil pengobatan yang lebih baik dengan memastikan pasien mencapai dan mempertahankan target terapi lebih cepat, sehingga mengurangi morbiditas dan perawatan rumah sakit tetap [3]. 

B) Efisiensi operasional dan pengurangan toksisitas keuangan

PTO digital berperan sebagai pengungkit yang kuat dalam pengendalian biaya, terutama mengenai obat-obatan khusus yang mahal, mengubah pemantauan obat menjadi sumber keuntungan keuangan yang nyata:

• • Pembatasan biaya: Dosis optimal langsung menangani tingginya biaya terapi mahal dengan meminimalkan limbah dan paparan obat. Dengan memastikan setiap dosis setepat mungkin, rumah sakit secara signifikan dapat mengurangi tantangan yang berkembang dari toksisitas keuangan terkait dengan pengobatan lanjutan [2]. 
  • ROI yang dapat diukur: Penggunaan strategis dari model FK/FD dan penyesuaian dosis silico telah menghemat biaya yang signifikan dan dapat diukur:
    • • Pengurangan limbah obat: Dalam penyesuaian dosis untuk konjugat antibodi-obat (antibody-drug conjugates, ADC) tertentu, strategi untuk menggunakan hanya seluruh botol obat yang mengakibatkan pengurangan sekitar 25% dalam pengeluaran obat [2]. 
      • Interval yang lama: Dalam presentasi Dr. Moes yang sama, optimasi model-dosisi terinformasi juga dapat meningkatkan kenyamanan pasien dan mengurangi biaya secara bersamaan. Mengembangkan interval dosis yang bergantung pada berat badan untuk penghambat titik pemeriksaan kekebalan subkutan (misalnya, nivolumab) telah terbukti dapat menyimpan lebih dari 30% biaya obat tahunan sementara mempertahankan kriteria khasiat klinis yang ketat [2].

C) Memajukan kontinum diagnostik

Transformasi digital secara fundamental menggeser posisi laboratorium dalam kontinum perawatan – ia tidak lagi hanya penyedia layanan, tapi mitra strategis dalam terapi:

• • Integrasi RME: Mengembangkan perangkat lunak seperti RoadMAB, yang mengintegrasikan MIPD dan ML secara langsung ke dalam RME, mengotomatisasi koreksi data pasien yang diperlukan dan menyederhanakan analisis bagi tenaga medis [3, 4]. Inovasi ini menggeser nilai diagnostik dari hasil lab statis ke rekomendasi terapi yang dapat ditindaklanjuti.
  • Uji kadar baru dan multipleksing: Investasi strategis dalam uji kadar generasi mendatang, seperti LCMS sebagaimana dicatat oleh Dr. Moes, memungkinkan pengukuran serentak terhadap beberapa konsentrasi atau antibodi obat dalam satu sampel pasien [2]. Hal ini meningkatkan portofolio pelayanan laboratorium, meningkatkan efisiensi, dan mendukung kebutuhan kompleks pemantauan biologi. 

Efisiensi terealisasi ini menggarisbawahi perubahan paradigma kritis: transformasi digital pada PTO yang berfungsi sebagai penghasil nilai, memberikan hasil yang tajam dan ROI yang substansial daripada hanya membayar biaya tidak langsung.

Peta jalan menuju transformasi: seruan untuk bertindak bagi kepemimpinan

Untuk mewujudkan ROI yang signifikan ini dan mempertahankan kontinum diagnostik yang maju, diperlukan strategi yang matang dan berpikiran ke depan yang membahas kesiapan organisasi dan tata kelola teknis. Bagi kepemimpinan laboratorium dan rumah sakit, jalan menuju ke depan bukan hanya mengadopsi teknologi, tetapi juga mendorong perubahan institusi. Agar hal ini dapat dicapai, diperlukan serangkaian tindakan yang jelas:

• • Kolaborasi interdisipliner: Mencapai visi holistik perawatan terpadu memerlukan pemecahan silo tradisional. Kolaborasi yang efektif sangat penting di antara para pemangku kepentingan utama, termasuk farmasi klinis, jasa laboratorium, pengembangan TI/Perngkat Lunak, dan manajemen rumah sakit, untuk memastikan integrasi alat yang mulus dan adopsi alur kerja [1].
  • Tata laksana dan pengendalian mutu: Teknologi digital, khususnya AI, memerlukan pengelolaan yang cermat. Kepemimpinan harus memprioritaskan kualitas data yang kuat, validasi eksternal yang ketat, dan tata kelola yang kuat untuk memastikan bahwa model – terutama RWD yang mampu mengungkit – aman dan dapat dipercaya untuk perawatan pasien yang luas [8]. Menetapkan protokol yang jelas melindungi kewajiban dan menjamin keamanan pasien.
  • Fokus investasi: investasi masa depan harus fokus pada mengintegrasikan sistem daripada membeli alat-alat yang terisolasi. Ini termasuk mengintegrasikan farmakodinamik penuh (model FK/FD), konsep canggih seperti kembar digital, dan menyempurnakan kemampuan AI langsung ke dasbor pendukung keputusan klinis. Pendekatan ini akan lebih memodernisasi dan mengubah PTO, memastikan tujuan akhir dari obat yang tepat, dosis yang tepat, pada waktu yang tepat untuk setiap pasien [2, 3].

Pada akhirnya, masa depan digital PTO – seperti yang ditegaskan oleh para pemimpin industri ini – adalah mengenai ketepatan dengan sebuah tujuan. Ini adalah kesempatan bagi diagnostik untuk menjadi mitra terintegrasi aktif dalam perawatan. Transformasi ini menawarkan para pimpinan keuntungan kompetitif yang jelas dengan pengembalian terukur, tetapi kemenangan nyata adalah kemampuan untuk meningkatkan pengalaman manusia secara fundamental dalam kedokteran dengan membuat keamanan yang dipersonalisasi menjadi standar inti bagi semua orang.

Referensi

[1] Mizuno, T., Vinks, A.A., Fukuda, T., Rosenheck, R., Wetterland, L., de Leon, J., Hartman, S., Arnold, L.M. and Patino, L.R. (2022) ‘Clinical implementation of pharmacogenetics and model-informed precision dosing to improve patient care’, British Journal of Clinical Pharmacology, 88(4), pp. 1418–1426.

[2] Moes, D.J. (2025) ‘Model Informed (precision) dosing of biologics in (hemato)oncology: challenges and opportunities?’, 23rd International Association of Therapeutic Drug Monitoring and Clinical Toxicology (IATDMCT) Conference. Grand Copthorne Waterfront Hotel, Singapore, 21–24 September.

[3] Mizuno, T. (2025) ‘Leveraging machine learning and decision support dashboard to facilitate precision dosing in pediatric patient care’, 23rd International Association of Therapeutic Drug Monitoring and Clinical Toxicology (IATDMCT) Conference. Grand Copthorne Waterfront Hotel, Singapore, 21–24 September.

[4] Colman, R.J., Xiong, Y., Mizuno, T., Xie, C., Vinks, A.A., Hyams, J.S., Denson, L.A. and Minar, P. (2023) ‘Model-informed Precision Dosing for Biologics Is Now Available at the Bedside: A Roadmap for Strategies and Considerations for Real-world Implementation’, Inflammatory Bowel Diseases, 29(1), pp. 119–127. doi: 10.1093/ibd/izac063.

[5] Maier, C., Hartung, N., Kloft, C., Huisinga, W. and Henrich, W. (2021) ‘A continued learning approach for model-informed precision dosing: updating models in clinical practice’, CPT: Pharmacometrics & Systems Pharmacology, 10(4), pp. 311–321.

[6] Yamada, T. (2025) ‘Real-World Big Data Insights for Advancing Therapeutic Drug Monitoring and Clinical Toxicology’, 23rd International Association of Therapeutic Drug Monitoring and Clinical Toxicology (IATDMCT) Conference. Grand Copthorne Waterfront Hotel, Singapore, 21–24 September.

[7] Pai Mangalore, R., Peel, T.N., Udy, A.A. and Peleg, A.Y. (2023) ‘The clinical application of beta-lactam antibiotic therapeutic drug monitoring in the critical care setting’, Journal of Antimicrobial Chemotherapy, 78(10), pp. 2395–2405. Tersedia di: https://doi.org/10.1093/jac/dkad223 (Diakses: 26 Januari 2026).

[8] Legg, A. (2025) ‘TDM research in the digital age?’, 23rd International Association of Therapeutic Drug Monitoring and Clinical Toxicology (IATDMCT) Conference. Grand Copthorne Waterfront Hotel, Singapore, 21–24 September.