Analisis Deskriptif dengan Kombinasi AI (Artificial Intelligence) Tentang Penggunaan Obat pada Pasien Penyakit Degeneratif di Puskesmas Tirtajaya Tahun 2025

Dwi Wulan Apriani; Tio Widia Astuti Marpaung; Adelina Sisilia; Lenny Andika; Ayin Ayin

doi:10.53863/kst.v8i02.2459

Penulis

Dwi Wulan Apriani Politeknik Kesehatan Borneo Citra Medika, Kalimantan Selatan, Indonesia
Tio Widia Astuti Marpaung Politeknik Kesehatan Borneo Citra Medika, Kalimantan Selatan, Indonesia
Adelina Sisilia Politeknik Kesehatan Borneo Citra Medika, Kalimantan Selatan, Indonesia
Lenny Andika Politeknik Kesehatan Borneo Citra Medika, Kalimantan Selatan, Indonesia
Ayin Ayin Politeknik Kesehatan Borneo Citra Medika, Kalimantan Selatan, Indonesia

DOI:

https://doi.org/10.53863/kst.v8i02.2459

Kata Kunci:

penyakit degeneratif; kombinasi obat; kecerdasan buatan; drug related problems; puskesmas; rasionalitas pengobatan

Abstrak

Prevalensi penyakit degeneratif (hipertensi, diabetes melitus tipe 2, stroke, dan osteoartritis) terus meningkat seiring bertambahnya usia harapan hidup dan perubahan gaya hidup masyarakat, dan pada banyak pasien penyakit-penyakit ini muncul secara berkombinasi (komorbiditas) dalam satu individu. Ketepatan penggunaan obat menjadi indikator mutu pelayanan kefarmasian di fasilitas kesehatan tingkat pertama. Penelitian ini menganalisis pola penggunaan obat dan mengevaluasi rasionalitasnya pada pasien penyakit degeneratif dengan komorbid di Puskesmas Tirtajaya sepanjang 2025, dengan memanfaatkan kecerdasan buatan (artificial intelligence/AI) sebagai alat bantu dalam proses analisis deskriptif, kategorisasi data, dan sintesis pustaka. Desain penelitian deskriptif observasional, menggunakan data sekunder retrospektif dari rekam kunjungan, diagnosis, pengobatan, dan hasil laboratorium periode Januari–Desember 2025. Dari 408 pasien terdiagnosis penyakit degeneratif, 102 pasien memenuhi kriteria inklusi. DM Tipe 2 mendominasi (51,0%), diikuti osteoartritis (31,4%), hipertensi (15,7%), dan stroke (7,8%). Pasien perempuan mencapai 68,6%; kelompok usia 45–54 tahun mencapai 34,3%. Sebanyak 90,2% pasien memiliki komorbiditas, terutama hipertensi sekunder dan dislipidemia. Evaluasi rasionalitas terhadap 291 item peresepan menunjukkan rasionalitas indikasi 56,7%, rasionalitas pemilihan obat 91,4%, rasionalitas pasien 90,0%, dan rasionalitas dosis 93,5%. Pencatatan diagnosis penyerta yang tidak lengkap menyebabkan sebagian besar ketidaktepatan indikasi. Penggunaan kortikosteroid oral pada osteoartritis kronik menyimpang dari standar Pionas. Penggunaan obat pada pasien dengan penyakit degeneratif dalam kombinasi di Puskesmas Tirtajaya tergolong rasional. Kelengkapan pencatatan diagnosis dan monitoring kelompok risiko tinggi masih perlu ditingkatkan, dan pemanfaatan AI dapat mendukung efisiensi analisis deskriptif serupa di masa mendatang

Referensi

Anggriani, A., Lisni, I., & Faujiah, D. S. R. (2016). Analisis masalah terkait penggunaan obat pada pasien lanjut usia penderita osteoartritis di Poli Ortopedi salah satu rumah sakit di Bandung. Kartika Jurnal Ilmiah Farmasi, 4(2), 13–20. https://doi.org/10.26874/kjif.v4i2.61

Badan Pengawas Obat dan Makanan Republik Indonesia. (t.t.). Pusat Informasi Obat Nasional (Pionas). Diakses dari https://pionas.pom.go.id

Bijlsma, J. W. J., Berenbaum, F., & Lafeber, F. P. J. G. (2011). Osteoarthritis: An update with relevance for clinical practice. The Lancet, 377(9783), 2115–2126. https://doi.org/10.1016/S0140-6736(11)60243-2

Bringhurst, K., Jones, T., Runko, G., Jabbari, M., Zipparro, N., Vo, G. N., Ullah, A., Vo, T. M., Corrigan, M., Birrey, V., & Jacobs, R. J. (2025). Artificial intelligence in the management of polypharmacy among older adults: A scoping review. Cureus, 17(8), e90867. https://doi.org/10.7759/cureus.90867

Cabello, J. B., Ruiz Garcia, V., Torralba, M., Maldonado Fernandez, M., Ubeda, M., Ansuategui, E., Ramos-Ruperto, L., Emparanza, J. I., Urreta, I., Iglesias, M. T., Pijoan, J. I., & Burls, A. (2025). Critical appraisal tools for evaluating artificial intelligence in clinical studies: Scoping review. Journal of Medical Internet Research, 27, e77110. https://doi.org/10.2196/77110

Char, D. S., Shah, N. H., & Magnus, D. (2018). Implementing machine learning in health care — Addressing ethical challenges. New England Journal of Medicine, 378(11), 981–983. https://doi.org/10.1056/NEJMp1714229

Davenport, T., & Kalakota, R. (2019). The potential for artificial intelligence in healthcare. Future Healthcare Journal, 6(2), 94–98. https://doi.org/10.7861/futurehosp.6-2-94

Ismail, S., Stanley, A., & Jeemon, P. (2022). Prevalence of multimorbidity and associated treatment burden in primary care settings in Kerala: A cross-sectional study in Malappuram District, Kerala, India. Wellcome Open Research, 7, 67. https://doi.org/10.12688/wellcomeopenres.17674.2

James, P. A., Oparil, S., Carter, B. L., Cushman, W. C., Dennison-Himmelfarb, C., Handler, J., Lackland, D. T., LeFevre, M. L., MacKenzie, T. D., Ogedegbe, O., Smith, S. C., Svetkey, L. P., Taler, S. J., Townsend, R. R., Wright, J. T., Narva, A. S., & Ortiz, E. (2014). 2014 evidence-based guideline for the management of high blood pressure in adults: Report from the panel members appointed to the Eighth Joint National Committee (JNC 8). JAMA, 311(5), 507–520.

Katonai, G., Arvai, N., & Mesko, B. (2025). AI and primary care: Scoping review. Journal of Medical Internet Research, 27, e65950. https://doi.org/10.2196/65950

Kementerian Kesehatan Republik Indonesia. (t.t.). Formularium Nasional. Jakarta: Kementerian Kesehatan RI.

Li, Y., Geng, S., Yuan, H., Ge, J., Li, Q., Chen, X., Zhu, Y., Liu, Y., Guo, X., Wang, X., & Jiang, H. (2024). Multimorbidity in elderly patients with or without T2DM: A real-world cross-sectional analysis based on primary care and hospitalisation data. Journal of Global Health, 14, 04263. https://doi.org/10.7189/jogh.14.04263

Martínez-Martínez, H., Martínez-Alfonso, J., Sánchez-Rojo-Huertas, B., Reynolds-Cortez, V., Turégano-Chumillas, A., Meseguer-Ruiz, V. A., Cekrezi, S., & Martínez-Vizcaíno, V. (2025). Perceptions of, barriers to, and facilitators of the use of AI in primary care: Systematic review of qualitative studies. Journal of Medical Internet Research, 27, e71186. https://doi.org/10.2196/71186

Olender, R. T., Roy, S., & Nishtala, P. S. (2025). Potentially inappropriate polypharmacy is an important predictor of 30-day emergency hospitalisation in older adults: A machine learning feature validation study. Age and Ageing, 54(6), afaf156. https://doi.org/10.1093/ageing/afaf156

Perhimpunan Dokter Hipertensi Indonesia (INASH). (t.t.). Konsensus penatalaksanaan hipertensi. Jakarta: INASH.

Perkumpulan Endokrinologi Indonesia (PERKENI). (2021). Pedoman pengelolaan dan pencegahan diabetes melitus tipe 2 dewasa di Indonesia. Jakarta: PB PERKENI.

Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. New England Journal of Medicine, 380(14), 1347–1358. https://doi.org/10.1056/NEJMra1814259

Ramdini, D. A., Wahidah, L. K., & Atika, D. (2020). Evaluasi rasionalitas penggunaan obat diabetes melitus tipe II pada pasien rawat jalan di Puskesmas Pasir Sakti tahun 2019. Jurnal Farmasi Lampung, 9(1), 69–76. https://doi.org/10.37090/jfl.v9i1.334

Sasseville, M., Ouellet, S., Rhéaume, C., Sahlia, M., Couture, V., Després, P., Paquette, J.-S., Darmon, D., Bergeron, F., & Gagnon, M.-P. (2025). Bias mitigation in primary health care artificial intelligence models: Scoping review. Journal of Medical Internet Research, 27, e60269.

Topol, E. J. (2019). High-performance medicine: The convergence of human and artificial intelligence. Nature Medicine, 25(1), 44–56. https://doi.org/10.1038/s41591-018-0300-7

Wulandari, A., & Ardhianingsih, V. (2021). Evaluasi pemberian dan penggunaan obat antihipertensi pada pasien lansia di Puskesmas Sukarami Palembang. INPHARNMED Journal (Indonesian Pharmacy and Natural Medicine Journal), 5(2), 1–7.