Ερευνητές του Στάνφορντ ανέπτυξαν AI που προβλέπει τις παρενέργειες των φαρμάκων στον ανθρώπινο οργανισμό.
Για πολλούς Αμερικανούς πολίτες, η λήψη συνταγογραφούμενων χαπιών αποτελεί μέρος μιας καθημερινής ρουτίνας. Περίπου επτά στους δέκα ανθρώπους παίρνουν τουλάχιστον ένα φάρμακο που μπορεί να αποτελείται από πολλά χάπια ημερησίως, σύμφωνα με την κλινική Mayo, και το 15% παίρνει πέντε ή περισσότερα.
Το πρόβλημα είναι ότι θεωρείται αρκετά δύσκολο να προβλεφθούν οι παρενέργειες που μπορεί να προκύψουν από τη λήψη πολλαπλών χαπιών σε ημερήσια βάση και πόσο μάλλον από το συνδυασμό διαφορετικών ειδών, που στην ουσία ορισμένα θεωρούνται ναρκωτικές ουσίες.
Σύμφωνα με εκτιμήσεις επιστημονικών μελετών, υπάρχουν περισσότερες από 125 δισεκατομμύρια πιθανές επιπλοκές, που η πληθώρα εξ αυτών δεν είναι επικίνδυνες, αλλά ορισμένες θεωρούνται ακόμη και θανατηφόρες.
«Είναι πρακτικά αδύνατο να δοκιμάσετε ένα νέο φάρμακο σε συνδυασμό με όλα τα άλλα φάρμακα και να μην έχετε έστω κάποιες μικρές επιπλοκές, και το χειρότερο όλων είναι ότι δεν γνωρίζουμε τι μπορεί να προκύψει από αυτό το αποτέλεσμα», δήλωσε η Marinka Zitnik, επιστήμονας στον τομέα των υπολογιστών στο πανεπιστήμιο του Στάνφορντ.
Για να αντιμετωπίσει το πρόβλημα, η Zitnik και ο Jure Leskovec, αναπληρωτής καθηγητής της πληροφορικής, ανέπτυξαν ένα σύστημα τεχνητής νοημοσύνης AI που φέρει την ονομασία Decagon – και μπορεί να προβλέψει πιθανές παρενέργειες για συνδυασμούς φαρμάκων.
Περιέγραψαν την έρευνά τους σε μια εργασία με τίτλο Modeling polypharmacy side effects with graph convolutional networks που παρουσιάστηκε αυτή την εβδομάδα στο Συνέδριο της Διεθνούς Εταιρείας Υπολογιστικής Βιολογίας 2018 στο Σικάγο.
Το σύστημα, το οποίο χρηματοδοτήθηκε εν μέρει από το Εθνικό Ίδρυμα Επιστημών, το Εθνικά Ινστιτούτα Υγείας, την Υπηρεσία Προηγμένων Ερευνητικών Προγραμμάτων για την Άμυνα, το Stanford Data Science Initiative και το Chan Zuckerberg Biohub, έχει την ικανότητα μοντελοποιεί περισσότερες από 19.000 πρωτεΐνες στο ανθρώπινο σώμα που αλληλεπιδρούν μεταξύ τους και με φάρμακα. Χρησιμοποιώντας έναν αλγόριθμο βαθιάς μάθησης που καταλαβαίνει περίπου τέσσερα εκατομμύρια γνωστές συσχετίσεις μεταξύ των παρενεργειών από φάρμακα και πρωτεΐνες, και μάλιστα είναι σε θέση να προβεί σε διάφορες προβλέψεις και να συμπεράνει πρότυπα με ακρίβεια τα πρότυπα που έχουν οριστεί από τους προγραμματιστές για το συγκεκριμένο σκοπό.
Το Decagon προέβλεψε με ακρίβεια τις παρενέργειες που προκύπτουν από τους νέους συνδυασμούς φαρμάκων, ξεπερνώντας κατά πολύ την τυπική μεθοδολογία που χρησιμοποιείται σε αυτό τον τομέα. Για παράδειγμα, προέβλεψε ότι το φάρμακο για την χοληστερόλη με την δραστική ουσία ατορβαστατίνη, όταν λαμβάνεται με φαρμακευτική αγωγή που συμπεριλαμβάνει την αμλοδιπίνη για την αρτηριακή πίεση , θα μπορούσε να οδηγήσει σε μυϊκή φλεγμονή. Σε άλλη περίπτωση, προέβλεψε με ακρίβεια δέκα παρενέργειες που επιβεβαιώθηκαν πρόσφατα από ιατρικούς ερευνητές.
«Μας προκάλεσε ιδιαίτερη έκπληξη το γεγονός ότι τα δίκτυα αλληλεπίδρασης της πρωτεΐνης αποκαλύπτουν τόσο πολλά για τις παρενέργειες των φαρμάκων», δήλωσε ο Leskovec.
Επί του παρόντος στο σύστημα συνοδεύεται από κάποιους περιορισμούς – και στην παρούσα φάση εξετάζει μόνο τις παρενέργειες που σχετίζονται με το συνδυασμό των φαρμάκων. Αλλά στο μέλλον, η ομάδα ελπίζει να δημιουργήσει μια βελτιωμένη έκδοση που θα μπορεί να χειριστεί πιο πολύπλοκα σχήματα.
«Σήμερα, οι παρενέργειες των φαρμάκων που ορισμένα είναι και ναρκωτικές ουσίες ανακαλύπτονται ουσιαστικά εντελώς τυχαία, και η προσέγγισή μας έχει τη δυνατότητα να οδηγήσει σε πιο αποτελεσματική και ασφαλέστερη υγειονομική περίθαλψη», ανέφερε ο Leskovec.
Η φαρμακολογία δεν είναι ο μόνος τομέας όπου η υγειονομική περίθαλψη μπορεί να ωφεληθεί από την τεχνητή νοημοσύνη AI. Οι ερευνητές χρησιμοποιούν τη μηχανική μάθηση για να προβλέψουν πιθανές μελλοντικές αναπηρίες σε βρέφη.
Επίσης κάποιες ιδιωτικές εταιρείες που δραστηριοποιούνται σε αυτό το χώρο έχουν αναπτύξει εξίσου σημαντικά συστήματα, όπως η Clew Medical που προσφέρει πλατφόρμα ανάλυσης με τεχνολογία AI που αποτρέπει τις απειλητικές για τη ζωή επιπλοκές για τους ασθενείς. Επίσης και η Google επένδυσε σημαντικούς οικονομικούς πόρους στα προγράμματα υγειονομικής περίθαλψης που βασίζονται στην τεχνητή νοημοσύνη, όπως το DeepMind Health .
Οι αναλυτές εκτιμούν ότι οι αλγόριθμοι στην μηχανική μάθηση θα μπορούσαν να βοηθήσουν τις ιατρικές και φαρμακευτικές εταιρείες να γλιτώσουν έως και 100 δισεκατομμύρια δολάρια ετησίως, από άσκοπες δαπάνες.
