library(mosaicCalc)
## Loading required package: mosaic
## Registered S3 method overwritten by 'mosaic':
##   method                           from   
##   fortify.SpatialPolygonsDataFrame ggplot2
## 
## The 'mosaic' package masks several functions from core packages in order to add 
## additional features.  The original behavior of these functions should not be affected by this.
## 
## Attaching package: 'mosaic'
## The following objects are masked from 'package:dplyr':
## 
##     count, do, tally
## The following object is masked from 'package:Matrix':
## 
##     mean
## The following object is masked from 'package:ggplot2':
## 
##     stat
## The following objects are masked from 'package:stats':
## 
##     binom.test, cor, cor.test, cov, fivenum, IQR, median, prop.test,
##     quantile, sd, t.test, var
## The following objects are masked from 'package:base':
## 
##     max, mean, min, prod, range, sample, sum
## Loading required package: mosaicCore
## 
## Attaching package: 'mosaicCore'
## The following objects are masked from 'package:dplyr':
## 
##     count, tally
## The legacy packages maptools, rgdal, and rgeos, underpinning the sp package,
## which was just loaded, were retired in October 2023.
## Please refer to R-spatial evolution reports for details, especially
## https://r-spatial.org/r/2023/05/15/evolution4.html.
## It may be desirable to make the sf package available;
## package maintainers should consider adding sf to Suggests:.
## 
## Attaching package: 'mosaicCalc'
## The following object is masked from 'package:stats':
## 
##     D

Artikel ini membahas bagaimana kita mengatur dosis antibiotik ketika kita menghadapi infeksi bakteri di telinga, tenggorokan, atau infeksi lainnya. Ketika kita mendapatkan resep antibiotik, kita seringkali diinstruksikan untuk meminumnya sesuai dengan petunjuk yang diberikan oleh dokter. Instruksi ini sangat penting untuk memastikan pengobatan yang efektif.

Ketika kita menerima antibiotik dari apotek, kita akan melihat sebotol pil dengan jumlah pil yang bervariasi, bisa 10, 20, 30, atau bahkan 40 pil. Instruksi pada label botol biasanya akan memberi tahu kita bagaimana cara mengonsumsinya, seperti minum dua kali sehari, tiga kali sehari, atau bahkan setiap enam jam. Instruksi ini juga bisa mencakup petunjuk untuk mengambil antibiotik sebelum atau setelah makan. Semua ini memiliki alasan ilmiah yang kuat.

Ketika kita meminum antibiotik, proses dalam tubuh kita yang disebut farmakokinetik obat memainkan peran penting. Ini melibatkan cara tubuh kita menyerap, memetabolisme, dan mengeluarkan obat dari darah melalui hati. Jadi, instruksi dosis antibiotik disusun dengan cermat untuk memaksimalkan efektivitas pengobatan.

Dalam artikel ini, kita menggunakan model sederhana yang disebut “pill” untuk menjelaskan konsep ini. Model tersebut menggambarkan bagaimana konsentrasi obat dalam tubuh kita berubah seiring waktu. Dalam model ini, konsentrasi obat naik setelah kita minum pil dan kemudian turun secara eksponensial.

pill <- makeFun(ifelse(t < 0, 0, exp(-k * t)) ~ t, k = log(2)/1.5)

Namun, penting untuk diingat bahwa model ini sangat sederhana dan idealis. Secara nyata, obat tidak diserap secara instan seperti yang digambarkan dalam model. Selain itu, efektivitas obat dapat bervariasi tergantung pada konsentrasinya dalam tubuh, dan tidak selalu bersifat semua atau tidak sama sekali. Ini adalah gambaran umum tentang bagaimana dosis antibiotik bekerja, tetapi dalam praktiknya, ada banyak faktor yang mempengaruhi bagaimana obat bekerja dalam tubuh kita.

Dalam pengembangan obat, pemahaman farmakokinetik obat adalah langkah kunci untuk memastikan bahwa pasien menerima pengobatan yang efektif dan aman. Oleh karena itu, instruksi dosis antibiotik harus diikuti dengan cermat untuk memaksimalkan kemungkinan kesembuhan dari infeksi bakteri.

slice_plot(pill(t) ~ t, bounds(t=-2:10)) %>%
  gf_hline(yintercept = ~ 0.25, color="magenta") %>%
  gf_text(0.25 ~ 8, label="Therapeutic threshold", color="magenta", 
          vjust=0, nudge_y=0.02) %>%
  gf_labs(y="Drug availability", x = "Time (hrs)")

Model ilustratif sederhana mengenai ketersediaan obat dari penggunaan dosis satuan pada waktu nol. Ambang batas terapeutik tergantung pada obatnya: 0,25 .

Fitur penting dari model ini adalah waktu paruh obat dalam tubuh dan ambang batas terapeutik, yang keduanya bergantung pada obat tertentu.

1. Grafik Slicing: Grafik akan memvisualisasikan perilaku ketersediaan obat (drug availability) terhadap waktu (hrs). Dengan batas waktu dari -2 hingga 10 jam, grafik ini akan menunjukkan bagaimana ketersediaan obat berubah selama periode waktu tersebut.

2. Garis Horizontal “Therapeutic Threshold”: Terdapat garis horizontal yang ditarik pada tinggi y = 0.25. Ini mungkin mewakili ambang batas terapi yang penting dalam konteks ketersediaan obat. Ini dapat digunakan sebagai pedoman untuk memahami apakah ketersediaan obat berada di atas atau di bawah ambang batas terapi.

3. Label “Therapeutic Threshold”: Dekat garis horizontal, ada label yang disebut “Therapeutic Threshold”. Ini membantu mengidentifikasi garis tersebut dan menjelaskan maknanya dalam konteks ketersediaan obat.

4. Label Sumbu Y: Sumbu vertikal (y) akan diberi label “Drug Availability”, yang memberikan informasi tentang apa yang diukur pada sumbu y, yaitu tingkat ketersediaan obat.

5. Label Sumbu X: Sumbu horizontal (x) akan diberi label “Time (hrs)”, yang memberikan informasi tentang apa yang diukur pada sumbu x, yaitu waktu dalam jam.

Grafik ini akan memberikan pemahaman visual tentang bagaimana ketersediaan obat berubah seiring waktu dan apakah ia mencapai atau melewati ambang batas terapi yang ditunjukkan oleh garis horizontal “Therapeutic Threshold”. Ini membantu dalam menganalisis perilaku obat dalam konteks waktu dan pemahaman ambang batas terapi yang relevan.

six_hours <- 
  makeFun(A*pill(t, k) + A*pill(t-6, k) + 
          A*pill(t-12, k) + A*pill(t-18, k) +
          A*pill(t-24, k) ~ t, 
          k=log(2)/3, A  = 1)
slice_plot(six_hours(t) ~ t, bounds(t=-1:24))

Grafik menunjukkan bagaimana penggunaan obat bervariasi selama periode 24 jam, dengan penggunaan obat pada interval 6 jam. Anda akan melihat bagaimana penggunaan obat naik dan turun selama periode waktu ini, dengan puncak penggunaan obat terjadi pada 6 jam, 12 jam, 18 jam, dan 24 jam setelah pemberian pertama obat.

Grafik ini memberikan gambaran visual tentang pola penggunaan obat selama periode waktu tertentu berdasarkan parameter-parameter yang didefinisikan dalam rumus yang ada dalam fungsi six_hours.

Referensi:
Kaplan, Daniel. 2022. MOSAIC Calculus. GitHub Pages. https://dtkaplan.github.io/MC2/