AI OpenAI Bantu Diagnosis 18 Penyakit Langka Anak yang Tak Terdeteksi Selama Bertahun-Tahun

CLB.my.id - Seorang perempuan bernama Kyra mengalami kelemahan otot sejak usia 9 tahun. Selama hampir 20 tahun, tak satu pun dokter bisa menjawab mengapa tubuhnya melemah. Baru ketika model AI reasoning dari OpenAI menganalisis ulang data genetiknya, diagnosis akhirnya terungkap: kelainan langka bernama miopati miofibrilar yang disebabkan mutasi pada gen HSPB8.

Kisah Kyra bukan satu-satunya. Dalam sebuah studi retrospektif yang dipublikasikan OpenAI, model reasoning o3 Deep Research berhasil mengidentifikasi 18 diagnosis baru dari 376 kasus penyakit langka anak yang sebelumnya tidak terpecahkan oleh para spesialis. Angka itu setara dengan yield diagnostik tambahan sebesar 4,8 persen.

Mengapa Banyak Penyakit Langka Tak Terdiagnosis

Penyakit langka menyerang jutaan anak di seluruh dunia, tetapi sekitar 50 persen pasien tidak pernah mendapat diagnosis meskipun sudah menjalani berbagai pemeriksaan. Data genetik bersifat statis, tetapi pengetahuan ilmiah terus berkembang. Hubungan antara gen dan penyakit baru, reklasifikasi varian, serta laporan kasus terbaru terus bermunculan. Masalahnya, data klinis pasien sering tersebar di berbagai database, membuat sintesis informasi menjadi sangat sulit bahkan bagi para ahli.

Dr. Catherine Brownstein dari Manton Center di Rumah Sakit Anak Boston menjelaskan kendala utamanya. “Bottleneck-nya adalah waktu. Seorang ahli hanya bisa mengalokasikan begitu banyak waktu dalam sehari untuk satu pasien tertentu,” ujarnya.

Alan Beggs, Direktur Manton Center, menambahkan bahwa cakupan pengetahuan yang dibutuhkan terlalu luas. “Peneliti seperti Catherine dan saya tidak mungkin mengingat 8.000 penyakit berbeda di kepala kita. Di situlah kekuatan AI.”

Cara Kerja Analisis AI

Setiap kasus yang dianalisis memasukkan data fenotip standar (Human Phenotype Ontology), catatan klinis dokter, metadata, dan tabel varian genetik yang sudah difilter berdasarkan kelangkaan, efek, kualitas, dan pola pewarisan. Model o3 Deep Research kemudian diminta mengajukan penjelasan molekuler yang paling mungkin, sekaligus menunjukkan proses penalarannya.

Model ini menghubungkan fitur klinis, pola pewarisan, varian genetik, dan literatur ilmiah menjadi justifikasi yang bisa ditinjau oleh para ahli. Setiap hasil kemudian diverifikasi oleh minimal dua ahli menggunakan kerangka klasifikasi varian ACMG/AMP. Model tidak membuat keputusan klinis, melainkan menghasilkan hipotesis yang harus dikonfirmasi oleh spesialis.

Hasil di Empat Kelompok Kasus

Studi ini mencakup empat kelompok pasien dengan kasus yang berbeda. Kelompok gangguan neurodevelopmental menghasilkan 10 diagnosis dari 100 kasus dengan yield 10 persen. Kelompok neuromuskular menghasilkan 4 diagnosis dari 61 kasus dengan yield 6,6 persen. Kelompok psikosis dini menghasilkan 2 diagnosis dari 15 kasus dengan yield 13,3 persen. Sementara kelompok kematian mendadak tak terduga pada anak menghasilkan 2 diagnosis dari 200 kasus dengan yield 1 persen.

Dari 18 diagnosis yang ditemukan, tujuan di antaranya sebenarnya sudah pernah ditetapkan di tempat lain, tetapi informasinya tidak ada dalam catatan yang ditinjau. Temuan ini menunjukkan tantangan besar dalam sintesis data operasional di sistem kesehatan.

Temuan yang Menarik

Model AI ini menunjukkan kemampuan yang cukup mengesankan dalam beberapa kasus kompleks. Dalam satu kasus psikosis dini, model menghipotesiskan adanya delesi 2q11.2 (sindrom DiGeorge) dari pola panggilan berkualitas rendah. Hipotesis ini kemudian dikonfirmasi oleh sekuensing lanjutan.

Model juga mampu mengidentifikasi penjelasan digenik, yaitu kombinasi gen yang menjelaskan presentasi klinis kompleks. Misalnya, kombinasi gen LAMA2 dan FOXP1, atau TTN dan SRPK3. Selain itu, model mengusulkan hipotesis mekanistik baru berupa delesi 11 asam amino pada gen S1PR1 sebagai kemungkinan hubungan baru dengan vitiligo, dengan mengintegrasikan bukti dari biologi struktural, imunologi, dan genetika.

Skor kepercayaan yang dilaporkan sendiri oleh model juga berkorelasi dengan keakuratan. Rata-rata skor untuk diagnosis yang benar adalah 85,6, sementara untuk yang salah adalah 42,1. Skor ini membantu memandu fokus para ahli, meskipun tidak digunakan sebagai probabilitas klinis.

Kasus Kyra: Perjalanan 20 Tahun

Kyra mulai mengalami kelemahan otot pada usia 9 tahun. Selama hampir dua dekade, ia menjalani berbagai pemeriksaan tanpa jawaban yang memuaskan. Ketika model AI menganalisis ulang data genetiknya, ditemukan varian frameshift pada gen HSPB8 yang mengarah pada diagnosis miopati miofibrilar, sebuah bentuk kelainan otot yang sangat langka.

Diagnosis itu akhirnya memberikan kejelasan dan menghubungkannya dengan konseling genetik menjelang ulang tahunnya yang ke-28. Setelah dua dekade hidup dalam ketidakpastian, Kyra akhirnya mendapat jawaban yang selama ini dicarinya.

Batasan dan Catatan Penting

OpenAI menegaskan bahwa ini adalah studi retrospektif, bukan alat diagnostik. Model ini tidak dimaksudkan untuk menggantikan keputusan klinis dokter. Setiap hasil memerlukan tinjauan ahli dan konfirmasi klinis sebelum bisa dikembalikan ke keluarga pasien.

Beberapa keterbatasan yang diakui antara lain kohort yang heterogen, peninjau yang tidak buta terhadap skor kepercayaan model, serta belum diukurnya penghematan waktu dan biaya. Varian struktural dan fitur genom kompleks lainnya juga belum dievaluasi secara sistematis.

Langkah selanjutnya yang direncanakan adalah uji prospektif multi-pusat yang membandingkan analisis ulang berbantuan AI dengan praktik standar dari segi yield, waktu, biaya, dan dampak klinis.

Dampak untuk Indonesia

Di Indonesia, akses ke spesialis genetika klinis masih sangat terbatas. Sebagian besar rumah sakit rujukan nasional belum memiliki layanan diagnostik genetik yang memadai. Teknologi seperti ini membuka harapan baru bagi ribuan keluarga Indonesia yang anak-anaknya hidup tanpa diagnosis penyakit langka.

Meskipun masih dalam tahap riset dan belum bisa diterapkan secara klinis, hasil studi ini menunjukkan bahwa AI bisa menjadi alat bantu yang signifikan bagi para dokter genetika untuk menganalisis data genetik yang kompleks. Jika dikembangkan lebih lanjut, teknologi semacam ini berpotensi mempercepat diagnosis dan mengurangi penderitaan keluarga yang bertahun-tahun mencari jawaban.