Sztuczna inteligencja rozszerza zastosowania leków

Sztuczna inteligencja rozszerza zastosowania leków

Naukowcy zastosowali teorię wnioskowania przyczynowego i algorytmy deep learning, aby filtrować mylące dane i skutecznie wskazywać leki nadające się do zmiany przeznaczenia. Odkrycie umożliwia sztucznej inteligencji sugerowanie leków, wirtualne „testowanie" leku na pacjencie, przyspieszenie tworzenia hipotez i potencjalnie przyspieszenie badania klinicznego.

Naukowcy opracowali metodę uczenia maszynowego, która analizuje ogromne ilości danych, aby pomóc określić, które istniejące leki mogą zostać użyte do leczenia chorób, na które wcześniej nie były przepisywane. Celem tej pracy jest przyspieszenie procesu odkrywania nowego przeznaczenia leków. Sama idea nie jest nową koncepcją, na co przykładem są zastrzyki z botoksu, najpierw zatwierdzonych do leczenia zeza, a teraz do leczenia migreny oraz szeroko stosowane w celu zmniejszenia widoczności zmarszczek. Odnalezienie nowych zastosowań zwykle wiąże się jednak, ze szczęśliwym zbiegiem okoliczności lub czasochłonnymi i kosztownymi badaniami klinicznymi. Należy upewnić się, że lek uznany za skuteczny w przypadku jednego zaburzenia będzie użyteczny, również jako lek na inną chorobę..

Chociaż badanie to skupiało się na proponowanej zmianie przeznaczenia leków w celu zapobiegania niewydolności serca i udarowi u pacjentów z chorobą wieńcową, proces jest elastyczny - i można go zastosować w przypadku większości chorób. „Nasza praca pokazuje, w jaki sposób sztuczna inteligencja może zostać wykorzystana do „przetestowania" leku na pacjencie oraz przyspieszenia generowania hipotez i potencjalnie przyspieszenia badania klinicznegoNigdy nie zastąpimy lekarza - decyzje dotyczące leków zawsze będą podejmowane przez klinicystów" – powiedział jeden z autorów - Ping Zhang.

Zmiana przeznaczenia leków jest obiecującą perspektywą, ponieważ może obniżyć ryzyko związane z testowaniem nowych leków i radykalnie skrócić czas potrzebny na wprowadzenie leku na rynek. Randomizowane badania kliniczne to standard w określaniu skuteczności leku, ale Zhang zauważył, że uczenie maszynowe może służyć za setki lub tysiące różnic między ludźmi, które mogą mieć wpływ na działanie leku w organizmie. Te czynniki lub czynniki zakłócające, od wieku, płci i rasy po nasilenie danej choroby i obecność innych chorób, działają jako parametry w algorytmie sztucznej inteligencji na którym oparty jest cały proces. Pochodzą one z faktycznych danych z obserwacji milionów pacjentów, zebranych w elektronicznej dokumentacji medycznej, roszczeniach ubezpieczeniowych lub danych na receptach. „Jesteśmy pierwszym zespołem, który wprowadził algorytm uczenia głębokiego do obsługi rzeczywistych danych, kontroli wielu czynników zakłócających i naśladowania prób klinicznych" - powiedział Zhang.

Zespół badawczy wykorzystał dane dotyczące roszczeń ubezpieczeniowych prawie 1,2 miliona pacjentów z chorobami serca. Dostarczając informacji na temat przypisanego im leczenia, wyników medycznych i różnych wartości potencjalnych czynników zakłócających. Algorytm uwzględnia również upływ czasu w procesie leczenia danego pacjenta. Modelowe dane wejściowe dla leków oparte są na ich aktywnych składnikach.

Stosując tak zwaną teorię wnioskowania przyczynowego, naukowcy skategoryzowali grupę pacjentów z lekiem aktywnym i grupę placebo. Model śledził pacjentów przez dwa lata, porównując ich stan końcowy stan chorobowy z tym, czy, kiedy i jakie leki przyjmowali

Model wskazał na dziewięć leków mających oczekiwane korzyści terapeutyczne, z których trzy są obecnie w użyciu - co oznacza, że analiza zidentyfikowała sześć leków których zastosowanie mogłoby być rozszerzone. Analiza sugeruje między innymi, że leki przeciwcukrzycowe, metformina i escitalopram stosowany w leczeniu depresji, mogą obniżać ryzyko niewydolności serca i udaru w modelowej populacji pacjentów. Jak się okazuje, oba te leki są obecnie testowane pod kątem skuteczności w leczeniu chorób serca. Zhang podkreślił, że to, co zespół odkrył, jest mniej ważne niż sposób, w jaki to odkrycie zostało dokonane. Proces można bowiem zastosować do wielu chorób.

(SW)