Setiap kali seorang dokter menuliskan resep, sebenarnya ia tengah mengelola sebuah sistem yang jauh lebih kompleks daripada sekadar nama obat dan dosis. Di balik setiap lembar resep tersimpan risiko yang tidak selalu kasat mata: bagaimana satu obat berperilaku ketika berpapasan dengan obat lain di dalam tubuh pasien. Risiko inilah yang dikenal sebagai interaksi antar obat (drug-drug interactions/DDI), dan pengelolaan risikonya merupakan salah satu tantangan nyata dalam praktik klinis sehari-hari.
Artikel ini ditulis sebagai pembaruan dari tulisan tahun 2018 tentang pemanfaatan ponsel cerdas dalam telaah interaksi obat. Banyak hal yang telah berubah dalam tujuh tahun terakhir—bukan sekadar aplikasi yang lebih cancar, tetapi juga cara berpikir tentang bagaimana teknologi berperan dalam menjaga keselamatan pasien.
Mengapa Interaksi Obat Tetap Relevan?
Interaksi obat bukan fenomena langka. Pasien sering kali datang bukan dengan satu keluhan tunggal, melainkan dengan sekumpulan kondisi yang masing-masing memerlukan penanganan farmakologis. Pasien hipertensi yang juga menderita diabetes, gagal ginjal ringan, dan nyeri sendi kronis—misalnya—berpotensi menerima empat hingga enam obat sekaligus. Situasi ini disebut polifarmasi, dan polifarmasi membawa konsekuensi yang tidak bisa diabaikan.
Ketika dua atau lebih obat berinteraksi, yang terjadi bisa berupa peningkatan efek terapeutik, penurunan efektivitas salah satu obat, atau—yang paling berbahaya—munculnya efek samping yang tidak dikehendaki. Kejadian terakhir ini dikenal sebagai adverse drug events (ADE). Sebuah tinjauan sistematis Cochrane yang diterbitkan pada 2021 menemukan bahwa berbagai intervensi berbasis teknologi, termasuk sistem computerized physician order entry (CPOE) yang dilengkapi clinical decision support systems (CDSS), berhasil menurunkan kejadian kesalahan obat secara bermakna dibanding sistem berbasis kertas (Ciapponi et al., 2021).
Pada populasi lansia, risiko ini berlipat ganda. Perubahan fisiologis yang menyertai penuaan—penurunan fungsi ginjal dan hati, perubahan komposisi tubuh, sensitisasi reseptor—mengubah cara tubuh memetabolisme obat. Ditambah dengan kecenderungan polifarmasi pada pasien geriatri, probabilitas terjadinya DDI yang bermakna klinis menjadi jauh lebih tinggi. Tinjauan terbaru tentang manajemen polifarmasi pada pasien lansia menyebutkan bahwa alat berbasis kecerdasan buatan (artificial intelligence/AI) kini telah dikembangkan untuk membantu dokter mengidentifikasi obat yang berpotensi tidak tepat dan memperkirakan ADE sebelum terjadi (Al Meslamani, 2025).
Rekam Medis Elektronik dan Konteks Indonesia
Sebelum membahas lebih jauh soal aplikasi dan AI, penting untuk menempatkan persoalan ini dalam konteks Indonesia.
Pada 2018, salah satu hambatan utama penerapan sistem telaah DDI secara digital di Indonesia adalah rendahnya penetrasi rekam kesehatan elektronik (electronic health record/EHR). Situasi ini telah berubah secara signifikan. Melalui Peraturan Menteri Kesehatan Nomor 24 Tahun 2022 tentang Rekam Medis, seluruh fasilitas pelayanan kesehatan—termasuk klinik dan tempat praktik mandiri—diwajibkan untuk menyelenggarakan rekam medis elektronik paling lambat pada tanggal 31 Desember 2023.
Permenkes ini bukan sekadar digitalisasi administratif. Sistem elektronik rekam medis juga diharapkan dapat terintegrasi dengan sistem peresepan obat atau sistem laboratorium kesehatan, serta harus memiliki kemampuan berinteraksi dengan aplikasi di luar sistem itu sendiri—termasuk platform milik pemerintah seperti SatuSehat.
SatuSehat sendiri, bukan sekadar aplikasi, melainkan sebuah platform yang mengintegrasikan seluruh data kesehatan dan aplikasi di fasilitas yankes. Implikasinya cukup besar: apabila sistem peresepan elektronik kelak terintegrasi secara penuh dengan platform ini, maka riwayat obat pasien dari berbagai fasilitas layanan kesehatan dapat diakses dalam satu tampilan. Di sinilah peluang terbesar untuk mengintegrasikan fungsi telaah DDI secara otomatis.
Namun, kewajiban dan kenyataan adalah dua hal yang berbeda. Implementasi RME di lapangan masih berjalan tidak merata, terutama di fasilitas layanan primer dan praktik mandiri di daerah. Dalam kondisi transisi seperti ini, kemampuan dokter untuk melakukan telaah interaksi obat secara mandiri—dengan bantuan alat yang ada di genggaman—tetap relevan.
Peresepan Elektronik dan Potensinya Menekan Kesalahan Obat
Electronic prescribing atau e-prescribing bukan hanya tentang menggantikan tulisan tangan dokter dengan ketikan digital. Sebuah scoping review yang diterbitkan pada 2023 memetakan bukti bahwa e-prescribing di komunitas mampu menurunkan berbagai jenis kesalahan resep, mulai dari kesalahan peresepan, kesalahan pemberian, hingga—dalam beberapa studi—kejadian ADE, meski penelitian tentang dampaknya pada patient outcomes jangka panjang masih terbatas (Cassidy et al., 2023).
Yang lebih penting secara praktis adalah kemampuan CPOE/CDSS—sistem yang sudah tertanam dalam banyak rekam medis elektronik modern—untuk memberikan peringatan otomatis ketika ada potensi DDI pada resep yang sedang dibuat. Bukti dari meta-analisis Cochrane menunjukkan bahwa CPOE/CDSS yang lebih canggih kemungkinan besar dapat menurunkan kejadian kesalahan obat dibanding sistem CPOE/CDSS standar, dan alert yang diprioritaskan berdasarkan urgensi klinis terbukti lebih efektif dalam mencegah ADE dibanding alert yang tidak diprioritaskan.
Namun, tidak semua dokter di Indonesia bekerja dalam lingkungan dengan SIMRS lengkap yang menawarkan fitur ini. Di situlah peran ponsel cerdas sebagai alat bantu mandiri menjadi penting.
Ponsel Cerdas: Dari Alat Bantu Menjadi Mitra Klinis
Sudah lebih dari satu dekade ponsel cerdas hadir di saku para dokter. Survei terhadap mahasiswa kedokteran dan dokter residen di lingkungan universitas menemukan bahwa aplikasi medis digunakan terutama sebelum dan setelah bertemu pasien, dengan manfaat utama yang dirasakan meliputi kemudahan pengambilan keputusan, akses cepat terhadap informasi klinis terpercaya, serta bantuan dalam memilih terapi—termasuk dosis obat dan pengecekan interaksi obat (Fournier, 2022). Aplikasi yang paling banyak digunakan mencakup UpToDate, Medscape, dan kalkulator klinis, yang kesemuanya menyediakan fitur telaah DDI dalam satu paket.
Konsep DoReADI (Dosage recommendation, drug adverse Reaction, and Drug Interaction) yang dicetuskan pada 2017 masih relevan hingga kini sebagai kerangka berpikir tentang mengapa dokter membutuhkan referensi farmakologi cepat di titik layanan. Namun, sejak 2018, aplikasi klinis berbasis ponsel cerdas telah berkembang jauh: database yang digunakan lebih luas, pembaruan informasi lebih sering, dan antarmukanya semakin intuitif.
Beberapa contoh aplikasi dan platform yang kini banyak digunakan untuk cek DDI dalam praktik klinis, antara lain:
Medscape Drug Interaction Checker — Tersedia gratis, menawarkan pengecekan interaksi berbasis database yang diperbarui secara berkala, dengan kategori keparahan interaksi yang jelas.
UpToDate — Platform berbayar yang menyediakan rekomendasi klinis berbasis bukti, termasuk informasi interaksi obat yang komprehensif dan kontekstual.
Drugs.com Interaction Checker — Tersedia dalam versi web dan aplikasi, dengan cakupan interaksi yang luas termasuk interaksi dengan suplemen herbal.
Lexicomp dan Micromedex — Dua platform komersial kelas institusi yang sering terintegrasi dalam SIMRS rumah sakit; juga tersedia dalam versi aplikasi mandiri.
Perlu dicatat bahwa tidak semua aplikasi diciptakan setara. Studi-studi komparatif sebelumnya menunjukkan variabilitas yang cukup besar dalam kelengkapan dan akurasi database DDI antar aplikasi. Pemilihan aplikasi harus mempertimbangkan cakupan database, frekuensi pembaruan, dan relevansi dengan pola resep di setting kerja masing-masing.
Era Baru: Kecerdasan Buatan dalam Deteksi Interaksi Obat
Perkembangan terpenting dalam tujuh tahun terakhir mungkin bukan pada aplikasi ponsel cerdas itu sendiri, melainkan pada mesin kecerdasan yang bekerja di baliknya.
Metode tradisional dalam mendeteksi DDI bergantung pada uji klinis langsung dan pelaporan efek samping pasca-pemasaran—proses yang lambat dan mahal, sementara jumlah kombinasi obat yang mungkin terus bertambah. AI, dengan kemampuannya memproses data dalam jumlah besar, mengubah paradigma ini secara mendasar.
Tinjauan tentang deep learning dan graph learning untuk prediksi DDI menyimpulkan bahwa berbagai pendekatan komputasional—berbasis struktur kimia obat, jaringan biologis, maupun natural language processing—kini mampu memprediksi potensi interaksi obat yang belum pernah diuji secara klinis, dengan tingkat akurasi yang terus meningkat (Lin et al., 2023). Salah satu metode yang menjanjikan adalah penggunaan biomedical knowledge graph, yaitu jaringan data biomedis yang menghubungkan obat, target biologis, gen, dan penyakit dalam satu representasi terintegrasi. Model deep learning berbasis grafik ini terbukti unggul dalam memprediksi DDI yang belum diketahui, termasuk dalam konteks COVID-19 dan terapi kanker (Ren et al., 2022).
Dalam praktik farmasi klinis, tinjauan tentang AI di bidang pharmacy practice mencatat bahwa berbagai model AI kini telah dikembangkan untuk: memperkirakan dan mendeteksi ADE sebelum terjadi, mendukung CDSS dalam keputusan terkait obat, mendeteksi DDI secara otomatis dari rekam medis, meningkatkan kepatuhan pasien melalui teknologi pintar, serta mendukung program medication therapy management (Chalasani et al., 2023).
Sebuah proyek implementasi nyata yang menarik dilaporkan dari rumah sakit pendidikan di Jerman, di mana skrining DDI dikombinasikan dengan pemeriksaan farmakogenomik (pharmacogenomics). Dalam implementasi ini, laporan DDI yang bermakna klinis diintegrasikan langsung ke dalam rekam medis elektronik dan disediakan pula dalam bentuk aplikasi web dan mobile untuk pasien. Hasilnya, dari 255 pasien yang diteliti, ditemukan 57 DDI yang bermakna klinis. Dokter di rumah sakit memodifikasi terapi pada 75,5% kasus yang mendapat rekomendasi klinis, dan dokter layanan primer mempertahankan terapi yang telah dioptimalkan pada 77% pasien pascapulang. Ini menunjukkan bahwa sistem DDI digital yang terintegrasi, ketika benar-benar digunakan, memiliki dampak nyata pada tata laksana pasien.
Rekonsiliasi Obat: Komplemen yang Tidak Bisa Dilupakan
Telaah DDI paling bermakna ketika dilakukan dalam konteks rekonsiliasi obat yang komprehensif—yaitu proses sistematis untuk mendapatkan daftar obat pasien yang paling akurat dan memastikan tidak ada ketidaksesuaian yang tidak disengaja. Sebuah uji klinis acak tentang rekonsiliasi obat saat masuk rumah sakit menemukan bahwa ketidaksesuaian obat yang tidak disengaja—yang mewakili kesalahan pengobatan—teridentifikasi pada 18,3% dari total obat yang ditelaah. Bahkan selama masa rawat inap yang singkat sekalipun, ketidaksesuaian ini mengakibatkan kejadian ADE pada 51 pasien.
Ini menegaskan bahwa telaah DDI bukan aktivitas sekali jalan, melainkan proses berkelanjutan yang harus dilakukan setiap kali ada penambahan atau perubahan obat—idealnya dalam kolaborasi erat antara dokter dan apoteker.
Keterbatasan yang Harus Dipahami
Terlepas dari kemajuan yang ada, penggunaan aplikasi ponsel cerdas untuk telaah DDI memiliki sejumlah keterbatasan yang perlu dipahami oleh praktisi klinis:
Inkonsistensi antar database. Database interaksi yang digunakan oleh berbagai aplikasi tidak selalu seragam. Suatu interaksi mungkin dianggap “kontraindikasi” oleh satu aplikasi, namun hanya “perlu perhatian” oleh aplikasi lain. Perbedaan ini mencerminkan perbedaan metodologi dan sumber data yang digunakan.
Risiko alert fatigue. Sistem yang terlalu sensitif justru membanjiri pengguna dengan peringatan, sehingga peringatan yang benar-benar penting terabaikan. Studi tentang CDSS menunjukkan bahwa peringatan yang tidak diprioritaskan cenderung diabaikan oleh klinisi.
Konteks klinis tidak bisa digantikan. Sebuah aplikasi tidak mengetahui dosis aktual yang digunakan pasien, kondisi komorbiditas yang relevan, atau faktor genetik yang memengaruhi metabolisme obat. Keputusan akhir tetap harus berada di tangan klinisi yang memahami konteks klinis pasien secara holistik.
Pembaruan database. Aplikasi gratis tidak selalu diperbarui secara berkala. Informasi DDI yang relevan dengan obat-obatan baru bisa terlewat jika database tidak dipelihara dengan baik.
Ketergantungan pada jaringan. Di wilayah dengan konektivitas internet yang terbatas, akses ke platform berbasis cloud bisa menjadi hambatan nyata.
Kolaborasi Dokter-Apoteker: Tetap Tidak Tergantikan
Teknologi secanggih apa pun tidak menghilangkan kebutuhan akan kolaborasi antara dokter dan apoteker. Farmasis klinis memiliki keahlian khusus dalam evaluasi regimen obat yang tidak bisa sepenuhnya digantikan oleh algoritma.
Sebuah meta-analisis besar tentang intervensi untuk mengurangi kesalahan obat di rumah sakit menyimpulkan bahwa keterlibatan apoteker klinis dalam medication reconciliation—khususnya yang didukung oleh alat berbasis database—menghasilkan penurunan potensi ADE yang bermakna dibanding rekonsiliasi tanpa bantuan database (Ciapponi et al., 2021). Kolaborasi interprofesional ini menjadi semakin relevan dalam konteks sistem kesehatan Indonesia yang sedang bertransformasi digital.
Dalam praktik keseharian, idealnya telaah DDI merupakan tanggung jawab bersama: dokter melakukan pengecekan awal saat menulis resep, apoteker melakukan verifikasi saat dispensing, dan keduanya berbagi informasi melalui sistem yang terintegrasi. Ketika peran apoteker tidak tersedia di titik layanan tertentu—sebagaimana masih sering terjadi di praktik mandiri dan layanan primer di daerah—maka dokter yang menggunakan aplikasi ponsel cerdas sebagai alat bantu telaah DDI telah mengambil langkah proaktif yang bermakna untuk keselamatan pasiennya.
Pandangan ke Depan
Jika pada 2018 pertanyaannya adalah “apakah dokter perlu menggunakan aplikasi ponsel cerdas untuk cek interaksi obat?”, maka pada 2025 pertanyaan itu telah berkembang menjadi: “bagaimana sistem telaah DDI dapat diintegrasikan secara mulus ke dalam alur kerja klinis sehari-hari?”
Jawaban atas pertanyaan ini melibatkan beberapa hal yang sedang berjalan paralel: penerapan RME yang terintegrasi dengan platform SatuSehat sebagaimana diamanatkan Permenkes 24/2022; pengembangan CDSS lokal yang relevan dengan pola resep di Indonesia; pemanfaatan AI untuk deteksi DDI proaktif; serta penguatan literasi digital di kalangan tenaga medis dan tenaga farmasi.
Sampai semua elemen itu berjalan sinergis, ponsel cerdas di saku dokter—dengan aplikasi yang dipilih secara cermat dan digunakan secara kritis—tetap menjadi alat yang sederhana namun bermakna dalam upaya menjaga keselamatan pasien.
Daftar Referensi
Al Meslamani, A. Z. (2025). Management of polypharmacy through deprescribing in older patients: a review of the role of AI tools. Expert Review of Clinical Pharmacology, 18(6), 333–345. https://doi.org/10.1080/17512433.2025.2519648
Cassidy, C. E., Boulos, L., McConnell, E., Barber, B., Delahunty-Pike, A., Bishop, A., … Curran, J. A. (2023). E-prescribing and medication safety in community settings: A rapid scoping review. Exploratory Research in Clinical and Social Pharmacy, 12, 100365. https://doi.org/10.1016/j.rcsop.2023.100365
Chalasani, S. H., Syed, J., Ramesh, M., Patil, V., & Pramod Kumar, T. M. (2023). Artificial intelligence in the field of pharmacy practice: A literature review. Exploratory Research in Clinical and Social Pharmacy, 12, 100346. https://doi.org/10.1016/j.rcsop.2023.100346
Ciapponi, A., Fernandez Nievas, S. E., Seijo, M., Rodríguez, M. B., Vietto, V., García-Perdomo, H. A., … Garcia-Elorrio, E. (2021). Reducing medication errors for adults in hospital settings. Cochrane Database of Systematic Reviews, (11), CD009985. https://doi.org/10.1002/14651858.CD009985.pub2
Fournier, K. (2022). Mobile app use by medical students and residents in the clinical setting: an exploratory study. Journal of the Canadian Health Libraries Association, 43(1), 3–11. https://doi.org/10.29173/jchla29562
Jošt, M., Knez, L., Mrhar, A., & Kerec Kos, M. (2021). Adverse drug events during transitions of care: Randomized clinical trial of medication reconciliation at hospital admission. Wiener klinische Wochenschrift, 134(3–4), 130–138. https://doi.org/10.1007/s00508-021-01972-2
Kementerian Kesehatan Republik Indonesia. (2022). Peraturan Menteri Kesehatan Nomor 24 Tahun 2022 tentang Rekam Medis. Kemenkes RI.
Lin, X., Dai, L., Zhou, Y., Yu, Z.-G., Zhang, W., Shi, J.-Y., … Zeng, X. (2023). Comprehensive evaluation of deep and graph learning on drug-drug interactions prediction. Briefings in Bioinformatics, 24(4). https://doi.org/10.1093/bib/bbad235
Ren, Z.-H., You, Z.-H., Yu, C.-Q., Li, L.-P., Guan, Y.-J., Guo, L.-X., & Pan, J. (2022). A biomedical knowledge graph-based method for drug-drug interactions prediction through combining local and global features with deep neural networks. Briefings in Bioinformatics, 23(5). https://doi.org/10.1093/bib/bbac363
Tremmel, R., Schreeck, F., Jaeger, S., Schricker, S., Schaeffeler, E., Igel, S., … Schwab, M. (2025). Clinical implementation of pharmacogenomics and drug-drug interaction screening in a German academic teaching hospital and outpatient follow-up. Clinical Pharmacology and Therapeutics, 119(1), 241–254. https://doi.org/10.1002/cpt.70083
Bhyllabus l'énigme 
Tinggalkan komentar