روش یادگیری ماشین می تواند کاربردهای جدیدی را برای داروهای موجود پیدا کند

4ژانویه 2021- دانشمندان با ابداع یک روش یادگیری ماشین توانستند حجم زیادی از داده ها را بررسی کرده و کاربری جدیدی را برای داروهای موجود بمنظور بهبود نتایج بیماریهایی که این داروها برای آنها طراحی نشده اند، کشف کنند.

هدف از این کار سرعت بخشیدن به تغییر کاربری یک داروی تایید شده است که مفهوم جدیدی نیست. فکر کنید تزریق بوتاکس، ابتدا برای درمان لوچی چشم تصویب شده بود، ولی اکنون برای درمان میگرن بکار می رود و یک استراتژی عالی برای کاهش چین و چروک است.

اما دستیابی به این موارد جدید معمولاً شامل ترکیبی از آزمایشات بالینی تصادفی و زمان بر و پرهزینه است تا اطمینان حاصل شود که دارویی که برای یک بیماری موثر تلقی می شود، به عنوان درمانی برای یک مشکل یا بیماری دیگر مفید خواهد بود.

محققان دانشگاه ایالتی اوهایو چارچوبی ایجاد کردند که مجموعه داده های عظیم مربوط به مراقبت از بیماران و محاسبات پرقدرت را برای رسیدن به کاندیداهای دارویی برای تغییر کاربری با هم ترکیب می کند و تأثیرات داروهای موجود را بر روی مجموعه ای از نتایج تعریف شده، تخمین می زند.

اگرچه این مطالعه بر روی استفاده ی مجدد از داروها برای جلوگیری از نارسایی قلبی و سکته مغزی در بیماران مبتلا به بیماری عروق کرونر متمرکز بود، اما این چارچوب انعطاف پذیر است و می تواند برای بیشتر بیماریها اعمال شود.

دکتر Ping Zhang، نویسنده ارشد این مقاله و استادیار علوم کامپیوتر و مهندسی و انفورماتیک بیومدیکال در دانشگاه ایالتی اوهایو، گفت: این کار نشان می دهد که چگونه می توان از هوش مصنوعی برای "آزمایش" یک دارو بر روی بیمار و سرعت بخشیدن به تولید فرضیه و یک آزمایش بالینی استفاده کرد. اما هوش مصنوعی هرگز جایگزین پزشک نخواهد شد و تصمیمات دارویی همیشه توسط پزشکان اتخاذ می شود.

این تحقیق چهارم ژانویه 2021، در Nature Machine Intelligence منتشر گردید.

استفاده مجدد از مواد دارویی یک فعالیت جذاب است زیرا می تواند خطر مرتبط با آزمایش ایمنی داروهای جدید و همچنین زمان بررسی های نظارتی بر دارو را برای استفاده بالینی و عرضه به بازار کاهش دهد.

آزمایشات بالینی تصادفی، استاندارد طلایی برای تعیین اثر بخشی دارو در برابر بیماری است، اما دکتر ژانگ خاطرنشان كرد كه یادگیری ماشینی می تواند صدها - یا هزاران - تفاوت انسانی را كه ممکن است بر نحوه كار دارو در بدن تأثیر بگذارد، در بین یک جمعیت بزرگ در نظر بگیرد. این عوامل یا عوامل مخدوش کننده  از سن، جنس و نژاد تا شدت بیماری و وجود بیماری های دیگر، به عنوان پارامترهایی در الگوریتم کامپیوتری یادگیری عمیق که این چارچوب بر اساس آن بنا شده است، عمل می کنند.

این اطلاعات از "شواهد دنیای واقعی" حاصل می شوند، که داده های مشاهده ای طولی اقتباس شده از سوابق پزشکی الکترونیکی یا ادعاهای بیمه و داده های نسخه ای از میلیون ها بیمار هستند.

دکتر ژانگ، رهبر هوش مصنوعی در آزمایشگاه پزشکی و عضو هیئت علمی اصلی موسسه تجزیه و تحلیل داده های کاربردی در ایالت اوهایو، گفت: داده های دنیای واقعی دارای بسیاری از عوامل مخدوش کننده هستند. به همین دلیل باید الگوریتم یادگیری عمیق را معرفی کنیم، زیرا می تواند چندین پارامتر را کنترل کند. وی گفت: اگر صدها یا هزاران عامل مخدوش کننده داشته باشیم، هیچ انسانی نمی تواند با آن کار کند. بنابراین برای حل این مشکل باید از هوش مصنوعی کمک بگیریم.

ژانگ گفت: ما اولین تیمی هستیم که از الگوریتم یادگیری عمیق برای مدیریت داده های دنیای واقعی، کنترل چندین عامل مخدوش کننده و تقلید آزمایشات بالینی استفاده کرده ایم.

محققان از داده های ادعاهای بیمه در مورد تقریباً 1.2 میلیون بیمار قلبی استفاده کردند که اطلاعاتی در مورد درمان اختصاصی بیماران، نتایج بیماری و مقادیر مختلف برای عوامل مخدوش کننده ی بالقوه را ارائه می داد. الگوریتم یادگیری عمیق همچنین توانایی در نظر گرفتن مرور زمان در تجربه ی هر بیمار را برای هر ویزیت، تجویز و تست تشخیصی دارد. ورودی مدل برای داروها بر اساس مواد موثره ی آنها است.

محققان با استفاده از آنچه "تئوری استنتاج علیتی" نامیده می شود، برای اهداف این تجزیه و تحلیل، گروه های بیماران تحت درمان با دارو و بیماران دارونما را که در یک آزمایش بالینی یافت می شوند، دسته بندی کردند. این مدل بیماران را به مدت دو سال ردیابی کرد و وضعیت بیماری آنها را در نقطه ی پایانی مقایسه نمود: این که آیا آنها دارو مصرف کرده اند، کدام داروها را مصرف کرده اند و چه زمانی رژیم را شروع کرده اند.

دکتر ژانگ گفت: با استنباط علیتی، ما می توانیم مشكل وجود چندین روش درمانی را حل کنیم. ما به این سوال پاسخ نمی دهیم كه آیا داروی A یا داروی B برای این بیماری موثر است یا خیر، اما می فهمیم كه کدام روش درمانی بهتر عمل می كند.

فرضیه آنها این بود که "این مدل داروهایی را شناسایی می کند که می توانند خطر نارسایی قلبی و سکته مغزی را در بیماران مبتلا به بیماری عروق کرونر کاهش دهند".

این مدل، 9 دارویی را که احتمالاً این مزایای درمانی را تأمین می کند، شناسایی نمود که سه مورد از آنها در حال حاضر برای این منظور مورد استفاده قرار می گیرند. در نتیجه این تجزیه و تحلیل، شش کاندیدای دارویی دیگر را که برای سایر بیماریها طراحی و تایید شده اند، بمنظور کاهش خطر نارسایی قلبی و سکته ی مغزی مشخص کرد. در میان یافته های دیگر، این تجزیه و تحلیل نشان داد که متفورمین داروی دیابت، و اسکیتالوپرام، که برای درمان افسردگی و اضطراب استفاده می شود، می تواند خطر ابتلا به نارسایی قلبی و سکته را در جمعیت بیمار این مدل کاهش دهد. هم اکنون هر دوی این داروها از نظر اثربخشی در برابر بیماری های قلبی در حال آزمایش هستند.

دکتر ژانگ گفت: انگیزه من این است كه همراه با سایر متخصصان، داروهایی را برای بیماری هایی که هم اکنون هیچ درمانی برای آنها وجود ندارد، پیدا كنم. این مدل بسیار انعطاف پذیر است و ما می توانیم آن را برای هر موردی تنظیم كنیم. مدل کلی می تواند برای هر نوع از بیماریها اعمال شود، اگر فقط بتوانیم نتیجه ی بیماری را برای آن تعریف کنیم.

منبع:

https://www.news-medical.net/news/20210104/Machine-learning-method-can-crunch-data-to-find-new-uses-for-existing-drugs.aspx