Ученые разработали метод машинного обучения, который обрабатывает огромные объемы данных, чтобы выяснить, какие уже существующие лекарства могут использоваться для лечения заболеваний, при которых они не назначаются.
Цель этой работы состоит в том, чтобы ускорить перепрофилирование лекарств. Это не новая концепция, если вспомнить об инъекциях ботокса, которые сначала были одобрены для лечения косоглазия, а теперь с их помощью лечат мигрень и они являются топовой косметической стратегии для уменьшения появления морщин.
Но такое новое применение уже известных лекарств, как правило, связано с сочетанием интуиции и трудоемких и дорогостоящих рандомизированных клинических испытаний, которые смогут дать гарантии, что препарат, признанный эффективным для одного расстройства, может быть использован для лечения другого.
Исследователи из Университета штата Огайо создали среду разработки, которая объединяет огромные массивы данных о лечении пациентов с мощными вычислительными возможностями, чтобы обнаружить подходящие для перепрофилирования лекарственные препараты и оценить их воздействие для получения определенных результатов.
Хотя это исследование было сосредоточено на перепрофилировании лекарств для предотвращения сердечной недостаточности и инсульта у пациентов с ишемической болезнью сердца, среда разработки является гибкой и может быть применена для большинства заболеваний.
“Эта работа показывает, как искусственный интеллект может быть использован для “тестирования” лекарств на пациентах, а также для ускорения генерации гипотез, потенциально ускоряя клинические испытания. Но мы никогда не заменим врача – решения о назначении лекарств всегда будут приниматься врачами”, – говорит Пин Чжан, доцент кафедры информатики, инженерии и биомедицинской информатики в Университете штата Огайо.
Исследование опубликовано в журнале Nature Machine Intelligence.
Перепрофилирование лекарств – это увлекательное занятие, поскольку оно может снизить риски, связанные с проверкой безопасности новых лекарств, и значительно сократить время, необходимое для вывода препарата на рынок для клинического использования.
Рандомизированные клинические испытания являются золотым стандартом для определения эффективности лекарства при той или иной болезни, но Чжан отмечает, что машинное обучение может объяснить сотни, или даже тысячи различий в большой человеческой популяции, которые могут повлиять на то, как подействует лекарство в организме. Эти факторы, изменяющиеся в зависимости от возраста, пола и расы, тяжести заболевания и наличия других болезней, являются параметрами функций в компьютерном алгоритме глубокого обучения, на котором основана среда разработки.
Эта информация исходит из “реальных доказательств”, которые представляют собой данные лонгитюдных наблюдений за миллионами пациентов, зарегистрированных в электронных медицинских картах, заявках на страховые выплаты, и на данных выписанных рецептов.
“В реальных данных много противоречивой информации. Именно по этой причине мы должны применить алгоритм глубокого обучения, который может обрабатывать много параметров”, – говорит Чжан, который возглавляет Лабораторию искусственного интеллекта в медицине и является основным преподавателем Института трансляционной аналитики данных в штате Огайо. “Если у нас есть сотни или тысячи таких параметров, ни один человек не сможет их обработать. Поэтому мы должны использовать искусственный интеллект, чтобы решить эту проблему.”
“Мы =- первая команда, которая внедрила использование алгоритма глубокого обучения для обработки реальных данных с учетом множества факторов, вызывающих искажение, и имитацией клинических испытаний”, – говорит Чжан.
Исследовательская группа использовала данные по страховым случаям почти 1,2 миллиона пациентов с сердечными заболеваниями, которые включали информацию о назначенном им лечении, исходах заболевания и различные значения факторов, потенциально могущих внести искажения. Алгоритм глубокого обучения также способен учитывать течение времени наблюдения каждого пациента- каждого посещения врача, назначения лечения и диагностики. В модели входящие данные для лекарств основаны на их активных ингредиентах.
Применяя так называемую теорию причинно-следственных связей, исследователи для целей этого анализа распределили на категории группы пациентов, принимающих активный лекарственный препарат и плацебо, которые обнаруживались в ходе клинических испытаний. Модель отслеживала пациентов в течение двух лет, и сравнивала состояние болезни при завершении исследования с тем, принимали ли они лекарства, если да- то какие именно, и когда они начали использовать схему лечения.
“С помощью причинно-следственной связи мы можем решить проблему сложного лечения. Мы не отвечаем на вопрос, работает ли препарат А или препарат Б при этом заболевании, но выясняем, какое лечение будет иметь лучшую эффективность”, – говорит Чжан.
Гипотеза состояла в том, что модель определит лекарственные препараты, которые могут снизить риск развития сердечной недостаточности и инсульта у пациентов с ишемической болезнью сердца.
При помощи модели были определены девять лекарственных препаратов, которые, как считается, могут принести терапевтическую пользу, три из которых в настоящее время для этой цели уже используются. То есть анализ выявил шесть лекарств, подходящих для перепрофилирования. Среди других результатов анализ показал, что лекарства от диабета- метформин и эсциталопрам,- используемые для лечения депрессии и тревоги, могут снизить риск развития сердечной недостаточности и инсульта в модели популяции пациентов. Как оказалось, оба этих препарата в настоящее время проходят испытания на эффективность при лечении болезней сердца.
Чжан подчеркнул, что для команды результаты этого конкретного исследования не так важны, как то, как они к этому пришли
“Моя мотивация заключается в том, чтобы это применить вместе с другими экспертами для поиска лекарства от болезней в обход имеющегося лечения. Это очень гибкий подход, и мы можем корректировать его в каждом конкретном случае”,- говорит он. “Общая модель может быть применена к любому заболеванию, если вы можете определить исход болезни.”