Menggunakan kecerdasan buatan untuk menemukan kegunaan baru untuk obat yang ada – ScienceDaily

Menggunakan kecerdasan buatan untuk menemukan kegunaan baru untuk obat yang ada – ScienceDaily


Para ilmuwan telah mengembangkan metode pembelajaran mesin yang mengolah sejumlah besar data untuk membantu menentukan obat mana yang dapat meningkatkan hasil pada penyakit yang tidak diresepkan.

Tujuan dari pekerjaan ini adalah untuk mempercepat penggunaan kembali obat, yang bukan merupakan konsep baru – pikirkan suntikan Botox, yang pertama kali disetujui untuk mengobati mata juling dan sekarang menjadi pengobatan migrain dan strategi kosmetik terbaik untuk mengurangi munculnya kerutan.

Tetapi mendapatkan penggunaan baru tersebut biasanya melibatkan campuran kebetulan dan uji klinis acak yang memakan waktu dan mahal untuk memastikan bahwa obat yang dianggap efektif untuk satu gangguan akan berguna sebagai pengobatan untuk penyakit lain.

Para peneliti Ohio State University membuat kerangka kerja yang menggabungkan kumpulan data terkait perawatan pasien yang sangat besar dengan komputasi bertenaga tinggi untuk sampai pada kandidat obat yang digunakan kembali dan perkiraan efek dari obat-obatan yang ada pada serangkaian hasil yang ditentukan.

Meskipun penelitian ini berfokus pada penggunaan kembali obat yang diusulkan untuk mencegah gagal jantung dan stroke pada pasien dengan penyakit arteri koroner, kerangka kerjanya fleksibel – dan dapat diterapkan pada sebagian besar penyakit.

“Karya ini menunjukkan bagaimana kecerdasan buatan dapat digunakan untuk ‘menguji’ obat pada pasien, dan mempercepat pembuatan hipotesis dan berpotensi mempercepat uji klinis,” kata penulis senior Ping Zhang, asisten profesor ilmu komputer dan teknik serta informatika biomedis. di Ohio State. “Tapi kami tidak akan pernah menggantikan dokter – keputusan obat akan selalu dibuat oleh dokter.”

Penelitian ini dipublikasikan hari ini (4 Januari 2021) di Kecerdasan Mesin Alam.

Penggunaan kembali obat adalah upaya yang menarik karena dapat menurunkan risiko yang terkait dengan pengujian keamanan obat baru dan secara dramatis mengurangi waktu yang diperlukan untuk memasukkan obat ke pasar untuk penggunaan klinis.

Uji klinis acak adalah standar emas untuk menentukan keefektifan obat melawan penyakit, tetapi Zhang mencatat bahwa pembelajaran mesin dapat menjelaskan ratusan – atau ribuan – perbedaan manusia dalam populasi besar yang dapat memengaruhi cara kerja obat dalam tubuh. Faktor-faktor ini, atau perancu, mulai dari usia, jenis kelamin dan ras hingga tingkat keparahan penyakit dan keberadaan penyakit lain, berfungsi sebagai parameter dalam algoritme komputer pembelajaran mendalam yang menjadi dasar kerangka kerja.

Informasi tersebut berasal dari “bukti dunia nyata”, yaitu data pengamatan longitudinal tentang jutaan pasien yang ditangkap oleh catatan medis elektronik atau klaim asuransi dan data resep.

“Data dunia nyata memiliki banyak perancu. Inilah alasan kami harus memperkenalkan algoritme pembelajaran mendalam, yang dapat menangani banyak parameter,” kata Zhang, yang memimpin Artificial Intelligence di Lab Kedokteran dan merupakan anggota fakultas inti di Translational Institut Analisis Data di Ohio State. “Jika kita memiliki ratusan atau ribuan pembaur, tidak ada manusia yang dapat mengatasinya. Jadi kita harus menggunakan kecerdasan buatan untuk menyelesaikan masalah.

“Kami adalah tim pertama yang memperkenalkan penggunaan algoritme pembelajaran mendalam untuk menangani data dunia nyata, mengontrol beberapa perancu, dan meniru uji klinis,” kata Zhang.

Tim peneliti menggunakan data klaim asuransi pada hampir 1,2 juta pasien penyakit jantung, yang memberikan informasi tentang perawatan yang ditugaskan kepada mereka, hasil penyakit dan berbagai nilai untuk perancu potensial. Algoritme pembelajaran mendalam juga memiliki kekuatan untuk memperhitungkan perjalanan waktu dalam pengalaman setiap pasien – untuk setiap kunjungan, resep, dan tes diagnostik. Input model obat didasarkan pada bahan aktifnya.

Menerapkan apa yang disebut teori inferensi kausal, para peneliti mengkategorikan, untuk tujuan analisis ini, kelompok pasien obat aktif dan plasebo yang akan ditemukan dalam uji klinis. Model tersebut melacak pasien selama dua tahun – dan membandingkan status penyakit mereka pada titik akhir itu dengan apakah mereka minum obat atau tidak, obat apa yang mereka minum dan kapan mereka memulai rejimen.

“Dengan kesimpulan kausal, kami dapat mengatasi masalah perawatan ganda. Kami tidak menjawab apakah obat A atau obat B bekerja untuk penyakit ini atau tidak, tetapi mencari tahu perawatan mana yang memiliki kinerja lebih baik,” kata Zhang.

Hipotesis mereka: bahwa model tersebut akan mengidentifikasi obat yang dapat menurunkan risiko gagal jantung dan stroke pada pasien penyakit arteri koroner.

Model tersebut menghasilkan sembilan obat yang dianggap mungkin memberikan manfaat terapeutik tersebut, tiga di antaranya saat ini sedang digunakan – yang berarti analisis tersebut mengidentifikasi enam kandidat untuk penggunaan kembali obat. Di antara temuan lain, analisis menunjukkan bahwa obat diabetes, metformin, dan escitalopram, yang digunakan untuk mengobati depresi dan kecemasan, dapat menurunkan risiko gagal jantung dan stroke pada populasi model pasien. Ternyata, kedua obat tersebut saat ini sedang diuji keefektifannya melawan penyakit jantung.

Zhang menekankan bahwa apa yang ditemukan tim dalam studi kasus ini kurang penting dibandingkan bagaimana mereka sampai di sana.

“Motivasi saya menerapkan ini, bersama para ahli lainnya, untuk mencari obat penyakit tanpa pengobatan saat ini. Ini sangat fleksibel, dan bisa kita sesuaikan kasus per kasus,” ujarnya. “Model umum dapat diterapkan pada penyakit apa pun jika Anda dapat menentukan hasil penyakit.”

Penelitian ini didukung oleh National Center for Advancing Translational Sciences, yang mendanai Center for Clinical and Translational Science di Ohio State.

Untuk Informasi Lebih lanjut silahkan Kunjungi : Lagu Togel

Author Image
adminProzen