MADRID, 7 Ene. (EUROPA PRESS) -
Los científicos han desarrollado 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, según anuncian en la revista 'Nature Machine Intelligence'.
La intención de este trabajo es acelerar la reutilización de medicamentos, que no es un concepto nuevo. Es el caso, por ejemplo, de las inyecciones de bótox, primero aprobadas para tratar el estrabismo y ahora se usa como tratamiento para la migraña y una estrategia cosmética superior para reducir la aparición de arrugas.
Pero llegar a esos nuevos usos generalmente implica una combinación de serendipia y ensayos clínicos aleatorios costosos y que consumen mucho tiempo para garantizar que un medicamento que se considere efectivo para un trastorno sea útil como tratamiento para otro.
Los investigadores de la Universidad Estatal de Ohio, en Estados Unidos, crearon 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 propuesta de medicamentos para prevenir la insuficiencia cardíaca y el accidente cerebrovascular en pacientes con enfermedad de las arterias coronarias, el marco 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 y potencialmente acelerar un ensayo clínico --explica el autor principal Ping Zhang, profesor asistente de ciencias de la computación e ingeniería e informática biomédica en la Universidad Estatal de Ohio--. Pero nunca reemplazaremos al médico; las decisiones sobre los medicamentos siempre las tomarán los médicos", puntualiza.
La reutilización de fármacos es una actividad atractiva porque podría reducir el riesgo asociado con las pruebas de seguridad de los nuevos medicamentos y reducir drásticamente el tiempo que lleva llevar un fármaco al mercado para uso clínico.
Los ensayos clínicos aleatorizados son el estándar de oro para determinar la efectividad de un medicamento contra una enfermedad, pero Zhang señala que el aprendizaje automático puede explicar cientos, o miles, de diferencias humanas dentro de una gran población que podrían influir en cómo funciona la medicina en el cuerpo.
Estos factores, o factores de confusión, que van desde la edad, el sexo y la raza hasta la gravedad de la enfermedad y la presencia de otras enfermedades, funcionan como parámetros en el algoritmo informático de aprendizaje profundo en el que se basa el marco.
Esa información proviene de "evidencia 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", explica Zhang, quien dirige el Laboratorio de Inteligencia Artificial en Medicina y es un miembro principal del cuerpo docente en el Laboratorio Traslacional del Instituto de análisis de datos en de la Universidad Estatal de Ohio--. Si tenemos cientos o miles de factores de confusión, ningún ser humano puede trabajar con eso. Así que tenemos que usar inteligencia artificial para resolver el problema".
"Somos el primer equipo en introducir el uso del algoritmo de aprendizaje profundo para manejar los datos del mundo real, controlar múltiples factores de confusión y emular ensayos clínicos", resalta Zhang.
El equipo de investigación utilizó datos de reclamaciones 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.
Aplicando lo que se llama teoría de la inferencia causal, los investigadores categorizaron, para los propósitos de este análisis, los grupos de pacientes con fármaco activo y placebo que se encontrarían en un ensayo clínico. El modelo siguió a los pacientes durante dos años y comparó su estado de enfermedad en ese punto final con si tomaban o no medicamentos, qué medicamentos tomaban y cuándo comenzaron el régimen.
"Con la inferencia causal podemos abordar el problema de tener múltiples tratamientos. No respondemos si el fármaco A o el fármaco B funcionan para esta enfermedad o no pero averiguamos qué tratamiento tendrá el mejor rendimiento", precisa Zhang.
Su hipótesis es que el modelo identificaría fármacos que podrían reducir el riesgo de insuficiencia cardíaca y accidente cerebrovascular en pacientes con enfermedad de las arterias coronarias.
El modelo arrojó nueve medicamentos que se considera probable que brinden esos beneficios terapéuticos, tres de los cuales están en uso actualmente, lo que significa que el análisis identificó seis candidatos para la reutilización de medicamentos.
Entre otros hallazgos, el análisis sugirió que un medicamento para la diabetes, metformina y escitalopram, utilizados para tratar la depresión y la ansiedad, podría reducir el riesgo de insuficiencia cardíaca y accidente cerebrovascular en la población de pacientes modelo. Resulta que ambos medicamentos se están probando actualmente para determinar su eficacia contra las enfermedades cardíacas.
Zhang enfatiza que lo que el equipo encontró en este estudio de caso es menos importante que cómo llegaron allí. "Mi motivación es aplicar esto, junto con otros expertos, para encontrar medicamentos para enfermedades sin ningún tratamiento actual. Esto es muy flexible y podemos ajustar caso por caso --apunta--. El modelo general podría aplicarse a cualquier enfermedad si se puede definir el resultado de la enfermedad".
