“`html

Kecerdasan buatan mengubah uji klinis, tetapi tantangannya tetap besar

Kecerdasan buatan semakin mendominasi bidang uji klinis dengan janji untuk mempercepat penelitian medis, mengurangi biaya, dan meningkatkan efisiensi pengobatan. Namun, integrasinya menimbulkan pertanyaan kompleks yang melampaui sekadar janji teknologis.

Dalam perancangan protokol, kecerdasan buatan kini memungkinkan pembuatan dokumen kompleks secara otomatis dari ringkasan sederhana yang disediakan oleh peneliti. Hal ini secara signifikan mengurangi waktu yang diperlukan untuk menyusun protokol terperinci, tugas yang sebelumnya memakan waktu lama dan melelahkan. Namun, kecepatan ini juga disertai dengan risiko, terutama kebocoran informasi sensitif tentang obat-obatan atau desain inovatif saat data dimasukkan ke dalam sistem eksternal. Sementara itu, model prediktif menganalisis basis data historis untuk mengantisipasi hasil operasional kunci, seperti kemampuan untuk mencapai target perekrutan atau mengidentifikasi kriteria inklusi optimal. Alat-alat ini membantu menghindari kegagalan yang mahal, tetapi efektivitasnya sangat bergantung pada kualitas dan representasi data yang digunakan.

Perekrutan pasien, yang sering menjadi penyebab keterlambatan dalam uji klinis, juga diuntungkan oleh kecerdasan buatan. Sistem canggih menganalisis jutaan dokumen medis dalam waktu singkat untuk mengidentifikasi calon yang memenuhi syarat. Misalnya, sebuah platform memproses lebih dari 83 juta dokumen dalam waktu kurang dari dua minggu, menghasilkan miliaran istilah medis standar. Teknologi ini memungkinkan pengurangan waktu penyaringan manual hingga separuhnya, sehingga membebaskan waktu bagi tim medis. Teknologi ini juga mengungkapkan bahwa banyak kriteria kelayakan yang mengecualikan pasien tanpa alasan, tanpa memengaruhi hasil terapeutik. Dengan melonggarkan aturan-aturan ini, uji klinis dapat mencakup dua kali lebih banyak peserta sambil menjaga keamanannya.

Namun, kinerja sistem-sistem ini bervariasi. Beberapa mencapai tingkat recall yang tinggi, mengidentifikasi sebagian besar pasien yang memenuhi syarat, tetapi dengan presisi yang kadang rendah, yang berarti mereka juga memasukkan calon yang tidak memenuhi syarat. Sebaliknya, sistem yang sangat presisi mengurangi beban kerja bagi pengulas manusia, tetapi berisiko mengecualikan pasien yang valid. Kemajuan terbaru, seperti model yang menggabungkan pengambilan dan generasi data, menunjukkan hasil yang menjanjikan dengan tingkat akurasi melebihi 97%, bahkan melampaui koordinator manusia untuk tugas-tugas tertentu.

Analisis data merupakan bidang lain di mana kecerdasan buatan mencetak kemajuan. Kecerdasan buatan memungkinkan pengolahan kumpulan data yang kompleks, seperti data dari perangkat terhubung atau pencitraan medis, menawarkan kekayaan informasi yang belum pernah ada sebelumnya. Namun, perdebatan antara metode statistik tradisional dan model modern masih berlangsung. Pendekatan klasik, seperti regresi logistik, menawarkan transparansi yang tak tertandingi, memungkinkan pemahaman yang jelas tentang pengaruh setiap variabel. Model kecerdasan buatan, meskipun seringkali lebih akurat, berfungsi seperti kotak hitam, membuat alasan internalnya sulit untuk diuraikan. Keterbatasan ini menimbulkan tantangan besar bagi adopsi klinis, karena dokter enggan mengikuti rekomendasi yang tidak mereka pahami, terutama dalam situasi kritis.

Bias algoritmik merupakan hambatan besar lainnya. Sistem dapat melestarikan, bahkan memperparah ketidaksetaraan yang ada jika data yang digunakan untuk pelatihan mencerminkan kesenjangan historis. Misalnya, algoritma yang banyak digunakan di Amerika Serikat untuk menilai kebutuhan perawatan intensif lebih menguntungkan pasien kulit putih dibandingkan pasien kulit hitam, karena algoritma tersebut menggunakan biaya kesehatan masa lalu sebagai indikator kebutuhan masa depan, kriteria yang bias akibat ketidaksetaraan struktural. Demikian pula, alat diagnostik kardiovaskular yang dilatih terutama pada data pria menunjukkan akurasi yang lebih rendah untuk wanita, yang gejalanya seringkali berbeda. Bias ini menyoroti pentingnya mendiversifikasi tim pengembang dan kumpulan data untuk memastikan hasil yang adil.

Transparansi model juga merupakan isu krusial. Klinisi dan pasien harus dapat memahami bagaimana suatu keputusan diambil, terutama ketika keputusan tersebut memiliki dampak langsung pada kehidupan. Metode penjelasan post-hoc, seperti LIME atau SHAP, berusaha membuat model lebih mudah dipahami dengan mengidentifikasi faktor-faktor paling berpengaruh untuk prediksi tertentu. Namun, penjelasan ini tetap merupakan aproximasi dan dapat menyesatkan. Beberapa model, yang dirancang untuk dapat diinterpretasikan secara intrinsik, seperti pohon keputusan, menawarkan alternatif, meskipun akurasinya mungkin lebih rendah dibandingkan model yang kompleks.

Tantangannya tidak hanya bersifat teknis. Integrasi kecerdasan buatan dalam uji klinis juga menimbulkan pertanyaan etis dan hukum yang belum terpecahkan. Siapa yang bertanggung jawab jika terjadi kesalahan medis yang melibatkan sistem kecerdasan buatan? Pengembang, institusi medis, klinisi, atau pasien? Penyebaran tanggung jawab ini, yang sering disebut sebagai “masalah banyak tangan”, mempersulit penentuan kesalahan dan dapat meninggalkan pasien tanpa jalan keluar yang jelas. Beberapa mengusulkan tanggung jawab kolektif, di mana semua pihak yang terlibat berbagi beban, tetapi pendekatan ini masih perlu dikembangkan.

Kepemilikan data dan persetujuan pasien juga menimbulkan masalah. Dalam uji klinis tradisional, pasien menyetujui penggunaan data mereka untuk tujuan tertentu dan terbatas waktu. Dengan kecerdasan buatan, data sering digunakan kembali tanpa batas waktu untuk melatih dan meningkatkan model, yang menimbulkan pertanyaan tentang kepemilikan dan kontrol data. Model kedaulatan data, di mana pasien mempertahankan kontrol terperinci atas informasi mereka, muncul sebagai solusi yang mungkin, tetapi implementasinya dalam skala besar tetap rumit.

Sistem terdesentralisasi, seperti pembelajaran federasi dan blockchain, menawarkan jalan untuk mengatasi hambatan terkait kerahasiaan dan akses data. Pembelajaran federasi memungkinkan pelatihan model pada data yang tersebar di beberapa institusi tanpa pernah memusatkan informasi sensitif. Namun, pendekatan ini menghadapi tantangan praktis, seperti heterogenitas data antar situs, yang dapat menurunkan kinerja model global. Sementara itu, blockchain dapat menjamin integritas dan ketelusuran data, tetapi adopsinya menghadapi masalah skalabilitas, konsumsi energi, dan kepatuhan terhadap peraturan perlindungan data, seperti hak untuk dilupakan.

Biaya dan efisiensi yang dipromosikan oleh kecerdasan buatan sering disorot. Studi menunjukkan bahwa perekrutan daring mengurangi biaya per pasien dari 199 menjadi 72 dolar dan secara signifikan mempercepat proses. Laporan lain mengindikasikan pengurangan waktu pendaftaran sebesar 10 hingga 15% dalam uji coba pilot. Namun, angka-angka ini sering berasal dari studi yang didanai oleh industri atau laporan internal, yang dapat bias atau kekurangan validasi independen. Analisis ekonomi yang ketat masih jarang, dan hasil yang tersedia menunjukkan kekurangan metodologis yang penting.

Akhirnya, dampak kecerdasan buatan terhadap beban kerja klinisi dan pengalaman pasien bersifat ambigu. Meskipun beberapa alat mengotomatisasi tugas administratif yang melelahkan, membebaskan waktu untuk perawatan langsung, alat lain justru dapat menambah beban dengan memerlukan verifikasi konstan terhadap hasil yang dihasilkan. Pasien, di sisi lain, berfluktuasi antara harapan akan diagnosis yang lebih akurat dan perawatan yang dipersonalisasi, serta kekhawatiran akan hilangnya kerahasiaan atau berkurangnya interaksi manusia. Survei terbaru mengungkapkan bahwa 60% orang Amerika akan merasa tidak nyaman jika penyedia layanan kesehatan mereka mengandalkan kecerdasan buatan untuk pengambilan keputusan medis.

“`

Documentation et sources

Document de référence

DOI : https://doi.org/10.1007/s10791-026-10205-x

Titre : The transformative and turbulent integration of artificial intelligence in clinical trials: a critical review

Revue : Discover Computing

Éditeur : Springer Science and Business Media LLC

Auteurs : Ying Xuan Lim; Long Chiau Ming; Nancy Choon-Si Ng; Serena Leow; Rahul G. Ingle