Investigadores de la Universidad Estatal de Ohio, Estados Unidos, desarrollaron un método de aprendizaje automático que procesa cantidades masivas de datos para ayudar a determinar qué medicamentos existentes podrían mejorar los resultados en enfermedades para las que no están recetados. La intención de este trabajo es acelerar la reutilización de medicamentos.

El equipo de Ohio creó un marco que combina enormes conjuntos de datos relacionados con la atención del paciente con computación de alta potencia para llegar a candidatos a fármacos reutilizados y los efectos estimados de esos medicamentos existentes en un conjunto definido de resultados.

Aunque este estudio se centró en la reutilización de medicamentos para prevenir la insuficiencia cardíaca y el accidente cerebrovascular, su aplicación es flexible y podría aplicarse a la mayoría de las enfermedades.

“Este trabajo muestra cómo se puede usar la inteligencia artificial para probar un fármaco en un paciente y acelerar la generación de hipótesis para, potencialmente, generar un ensayo clínico” explica el autor principal de la investigación, Ping Zhang.

La reutilización de fármacos podría reducir el riesgo asociado con las pruebas de seguridad de los nuevos medicamentos y disminuir drásticamente el tiempo que toma llevarlos al mercado para uso clínico. Según Zhang, “el aprendizaje automático puede explicar cientos o miles de diferencias humanas dentro de una gran población, lo que podría influir en cómo funciona la medicina en el cuerpo”. Estos factores que van desde la edad, el sexo y la raza hasta la gravedad de la enfermedad y la presencia de otras patologías, funcionan como parámetros en el algoritmo informático de aprendizaje profundo en el que se basa el marco.

Esa información proviene de evidencias del “mundo real”, que son datos de observación longitudinales sobre millones de pacientes capturados por registros médicos electrónicos o reclamos de seguros y datos de recetas. “Los datos del mundo real tienen muchos factores de confusión, esta es la razón por la que tenemos que introducir el algoritmo de aprendizaje profundo que puede manejar múltiples parámetros”, explicó Zhang y afirmó que son “el primer equipo en introducir el uso de algoritmo de aprendizaje profundo para manejar los datos del mundo real, controlar múltiples factores de confusión y emular ensayos clínicos”.

El equipo de investigadores utilizó datos de reclamos de seguros en casi 1,2 millones de pacientes con enfermedades cardíacas, que proporcionaron información sobre el tratamiento asignado, los resultados de la enfermedad y varios valores de posibles factores de confusión. El algoritmo de aprendizaje profundo también tiene el poder de tener en cuenta el paso del tiempo en la experiencia de cada paciente, para cada visita, prescripción y prueba de diagnóstico. La entrada del modelo para los medicamentos se basa en sus ingredientes activos. “Con la inferencia causal podemos abordar el problema de tener múltiples tratamientos. No respondemos si el fármaco A o el B funcionan para esta enfermedad o no, pero averiguamos qué tratamiento tendrá el mejor rendimiento.”, indicó el autor de la investigación. El modelo arrojó nueve medicamentos empleados para otras patologías que podrían usarse en afecciones coronarias.

Entre otros hallazgos, el análisis sugirió también que los medicamentos para la diabetes, metformina y escitalopram, utilizados para tratar la depresión y la ansiedad, podrían reducir el riesgo de insuficiencia cardíaca y accidente cerebrovascular.

Fuente: La Gaceta