La intención de este trabajo es acelerar la reutilización de los medicamentos, lo cual no es un concepto nuevo. Recordemos las inyecciones de Botox, primero aprobadas para tratar el estrabismo y ahora tratamiento de migrañas y estrategia cosmética de primera para reducir la aparición de arrugas. Pero llegar a esos nuevos usos típicamente implica una mezcla de serendipia y de ensayos clínicos aleatorios, costosos y que requieren mucho tiempo, para asegurar que una droga considerada efectiva para un trastorno sea útil como tratamiento para otro. Los investigadores de la Universidad Estatal de Ohio crearon un marco que combina enormes conjuntos de datos relacionados con la atención de pacientes con una computación de alta potencia para llegar a candidatos de medicamentos de nuevo uso y a los efectos estimados de esos medicamentos existentes en un conjunto definido de resultados. Aunque este estudio se centró en la propuesta de reutilización de medicamentos para prevenir la insuficiencia cardíaca y los accidentes cerebrovasculares 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 la inteligencia artificial puede ser usada para 'probar' un medicamento en un paciente, y acelerar la generación de hipótesis y potencialmente acelerar un ensayo clínico", dijo el autor principal Ping Zhang, profesor asistente de ciencias de la computación e ingeniería e informática biomédica en la Estatal de Ohio. "Pero nunca reemplazaremos al médico, las decisiones sobre los medicamentos siempre serán tomadas por los profesionales clínicos". La investigación se publicó en la revista Nature Machine Intelligence. La reutilización de medicamentos es una búsqueda atractiva porque podría reducir el riesgo asociado con las pruebas de seguridad de los nuevos fármacos y reducir drásticamente el tiempo que se tarda en llevar una droga al mercado para su uso clínico. Los ensayos clínicos aleatorios son el estándar para determinar la eficacia de un fármaco contra una enfermedad, pero Zhang señaló que el aprendizaje automático puede dar cuenta de cientos - o miles - de diferencias humanas dentro de una gran población que podrían influir en la forma en que la medicina funciona 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 procede de "pruebas del mundo real", que son datos sobre millones de pacientes captados por registros médicos electrónicos o datos de reclamaciones y prescripciones de seguros. "Los datos del mundo real tienen muchos parámetros. Esta es la razón por la que tenemos que introducir el algoritmo de aprendizaje profundo, que puede manejar múltiples parámetros", dijo Zhang, que dirige el Laboratorio de Inteligencia Artificial en Medicina y es miembro del núcleo de la facultad del Instituto de Análisis de Datos Translacionales de la Estatal de Ohio. "Si tenemos cientos o miles de parámetros, ningún ser humano puede trabajar con eso. Así que tenemos que usar la inteligencia artificial para resolver el problema. Somos el primer equipo en introducir el uso del algoritmo de aprendizaje profundo para manejar datos del mundo real, controlar los múltiples factores de confusión y emular los ensayos clínicos", dijo Zhang. El equipo de investigación utilizó los datos de las reclamaciones de seguros de casi 1,2 millones de pacientes con enfermedades cardíacas, que proporcionaron información sobre el tratamiento que se les había asignado, los resultados de la enfermedad y diversos valores de los 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. El modelo de entrada 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, el fármaco activo y los grupos de pacientes con placebo que se encontrarían en un ensayo clínico. El modelo hizo un seguimiento de los pacientes durante dos años, y comparó el estado de su enfermedad en ese punto final con el hecho de que tomaran o no medicamentos, qué medicamentos tomaban y cuándo comenzaban el régimen. "Con la inferencia causal, podemos abordar el problema de tener múltiples tratamientos. No respondemos si la droga A o la droga B funciona para esta enfermedad o no, sino que averiguamos qué tratamiento tendrá mejor rendimiento", dijo Zhang. Su hipótesis: que el modelo identificaría fármacos que podrían reducir el riesgo de insuficiencia cardiaca y accidente cerebrovascular en pacientes con enfermedad de las arterias coronarias. El modelo arrojó nueve fármacos que se considera que probablemente proporcionarán esos beneficios terapéuticos, tres de los cuales se utilizan actualmente, lo que significa que el análisis identificó seis candidatos para la readaptación del fármaco. Entre otras conclusiones, el análisis sugirió que un medicamento para la diabetes, la metformina, y el escitalopram, utilizado para tratar la depresión y la ansiedad, podrían reducir el riesgo de insuficiencia cardíaca y accidente cerebrovascular en la población de pacientes del modelo. Resulta que ambos medicamentos se están probando actualmente en cuanto a su eficacia contra las enfermedades cardíacas. (Fuente: NCYT Amazings)