NATURAL LANGUAGE PROCESSING UNTUK EKSTRAKSI INFORMASI ADVERSE DRUG REACTIONS DARI ELECTRONIC HEALTH RECORDS: SYSTEMATIC REVIEW

Penulis

  • Irvan Pramanta Andika I Gede Institut Teknologi dan Kesehatan Bintang Persada
  • Riska Wiradarma Institut Teknologi dan Kesehatan Bintang Persada
  • Dody May Arfian

DOI:

https://doi.org/10.64036/pharmactive.v5i1.100

Abstrak

Adverse drug events (ADEs) berkontribusi terhadap 5-10% hospitalisasi dan menghabiskan biaya sekitar USD 30 miliar per tahun, namun sistem pelaporan spontan hanya menangkap 5-10% dari ADEs aktual akibat underreporting yang parah. Systematic review ini menganalisis 60 studi peer-reviewed (2019-2025) mengenai metode natural language processing (NLP) untuk mengekstrak informasi ADEs dari catatan klinis electronic health records (EHR), mengikuti pedoman PRISMA 2020 di lima basis data (PubMed, IEEE Xplore, ACL Anthology, Scopus, Web of Science). Hasil menunjukkan bahwa model berbasis transformer, khususnya BioBERT dan ClinicalBERT, merepresentasikan state-of-the-art dengan F1-score 0,85-0,92 pada dataset acuan (n2c2 2018, MIMIC-III, MADE1.0), secara signifikan melampaui sistem berbasis aturan (+15-20%) dan metode machine learning tradisional (+8-12%). Pre-training spesifik domain pada teks klinis terbukti krusial, meningkatkan performa 3-5% dibanding model BERT umum. Namun demikian, tantangan kritis masih ada: deteksi negasi dan spekulasi (30-40% penyebutan medis memerlukan disambiguasi kontekstual), penalaran temporal untuk menentukan onset ADEs relatif terhadap paparan obat, resolusi ambiguitas singkatan medis, dan asesmen kausalitas. Kesenjangan signifikan antara laboratorium dan klinis sebesar 10-15% degradasi performa teridentifikasi, dengan hanya 8% studi melaporkan pengalaman deployment klinis aktual. Reproduksibilitas tetap menjadi masalah, dengan hanya 23% studi membagikan kode dan 15% menyediakan model terlatih. Prioritas masa depan meliputi pengembangan pendekatan few-shot learning untuk mengatasi keterbatasan data berlabel (~5.000 catatan klinis teranotasi yang tersedia publik), peningkatan interpretabilitas model melalui metode explainable AI, pelaksanaan studi validasi eksternal multi-pusat, dan penetapan protokol evaluasi terstandarisasi. Tinjauan ini menyediakan panduan berbasis bukti bagi peneliti yang mengembangkan metode NLP, praktisi yang mengimplementasikan sistem deteksi ADEs, dan pembuat kebijakan yang merumuskan standar untuk farmakovigilans berbasis NLP.

Diterbitkan

2026-04-28

Cara Mengutip

NATURAL LANGUAGE PROCESSING UNTUK EKSTRAKSI INFORMASI ADVERSE DRUG REACTIONS DARI ELECTRONIC HEALTH RECORDS: SYSTEMATIC REVIEW . (2026). Journal Pharmactive, 5(1), 37-50. https://doi.org/10.64036/pharmactive.v5i1.100

Artikel paling banyak dibaca berdasarkan penulis yang sama