Notícia

Inteligência artificial ajuda a encontrar novos usos para medicamentos existentes

Cientistas analisam dados para “selecionar” fármacos candidatos a novas aplicações terapêuticas

Pixabay

Fonte

Universidade Estadual de Ohio

Data

terça-feira, 5 janeiro 2021 09:55

Áreas

Bioinformática. Computação. Inteligência Artificial. Saúde Pública.

Cientistas desenvolveram um método de aprendizado de máquina que processa grandes quantidades de dados para ajudar a determinar quais medicamentos existentes podem melhorar os resultados em doenças para as quais não estão prescritos. A intenção deste trabalho é acelerar o reaproveitamento de medicamentos, o que não é um conceito novo – como no caso das injeções de Botox, inicialmente aprovadas para tratar o estrabismo e agora um tratamento para enxaqueca e estratégia cosmética de ponta para reduzir o aparecimento de rugas.

Mas chegar a esses novos usos normalmente envolve uma mistura de sorte e testes clínicos randomizados demorados e que exigem alto investimento, para garantir que um medicamento considerado eficaz para um distúrbio seja útil como um tratamento para outro.

Pesquisadores da Universidade Estadual de Ohio, nos Estados Unidos, criaram uma estrutura que combina enormes quantidades de dados relacionados ao atendimento ao paciente com computação de alto desempenho para chegar a candidatos a medicamentos reaproveitados e aos efeitos estimados desses medicamentos existentes em um conjunto definido de metas.

Embora este estudo tenha se concentrado na proposta de reaproveitamento de drogas para prevenir insuficiência cardíaca e acidente vascular cerebral em pacientes com doença arterial coronariana, a estrutura é flexível – e pode ser aplicada à maioria das doenças.

“Este trabalho mostra como a inteligência artificial pode ser usada para ‘testar’ uma droga em um paciente e acelerar a geração de hipóteses e potencialmente acelerar um ensaio clínico”, disse o Dr. Ping Zhang, professor assistente de Ciência da Computação e Engenharia e Informática Biomédica na Universidade Estadual de Ohio e autor sênior do estudo. “Mas nunca substituiremos o médico – as decisões sobre medicamentos sempre serão feitas pelos médicos”, destacou o cientista. A pesquisa foi publicada no último dia 4 de janeiro na revista científica  Nature Machine Intelligence.

O reaproveitamento de medicamentos é uma busca atraente porque pode diminuir o risco associado aos testes de segurança de novos medicamentos e reduzir drasticamente o tempo para disponibilizar um medicamento para uso clínico.

Os ensaios clínicos randomizados são o padrão ouro para determinar a eficácia de um medicamento contra uma doença, mas o Dr. Zhang observou que o aprendizado de máquina pode ser responsável por centenas – ou milhares – de diferenciações dentro de uma grande população que podem influenciar como o medicamento funciona no corpo. Esses fatores, que vão desde idade, sexo e raça até a gravidade da doença e a presença de outras doenças, funcionam como parâmetros no algoritmo de aprendizagem profunda em que a estrutura é baseada.

Essas informações vêm de “evidências do mundo real”, que são dados observacionais longitudinais sobre milhões de pacientes capturados por registros médicos eletrônicos ou reclamações de seguros e dados de prescrição.

“Os dados do mundo real têm muitos parâmetros que podem causar confusões. Esta é a razão pela qual temos que introduzir o algoritmo de aprendizado profundo, que pode lidar com vários parâmetros”, explicou o Dr. Zhang, que lidera o Laboratório de Inteligência Artificial em Medicina na Universidade Estadual de Ohio. “Se temos centenas ou milhares de fatores de confusão, nenhum ser humano pode trabalhar com isso. Portanto, temos que usar inteligência artificial para resolver o problema”.

“Somos a primeira equipe a introduzir o uso do algoritmo de aprendizado profundo para lidar com os dados do mundo real, controlar vários fatores de confusão e emular ensaios clínicos.”

A equipe de pesquisa usou dados de sinistros de seguro em quase 1,2 milhão de pacientes com doenças cardíacas, que forneceram informações sobre o tratamento atribuído, resultados da doença e vários valores para possíveis fatores de confusão. O algoritmo de aprendizado profundo também tem o poder de levar em consideração a passagem do tempo na experiência de cada paciente – para cada visita, prescrição e teste de diagnóstico. O modelo de entrada para medicamentos é baseado em seus ingredientes ativos.

Aplicando o que é chamado de ‘Teoria da Inferência Causal’, os pesquisadores categorizaram, para os fins desta análise, os grupos de pacientes com medicamento ativo e placebo que seriam encontrados em um ensaio clínico. O modelo acompanhou os pacientes por dois anos – e comparou o estado de sua doença naquele ponto final com o fato de tomarem ou não medicamentos, quais medicamentos tomaram e quando iniciaram o regime.

“Com a inferência causal, podemos resolver o problema de ter vários tratamentos. Não respondemos se a droga A ou a droga B funcionam ou não para esta doença, mas descobrimos qual tratamento terá o melhor desempenho”, disse o Dr. Zhang.

A hipótese dos cientistas: que o modelo identificaria drogas que poderiam reduzir o risco de insuficiência cardíaca e derrame em pacientes com doença arterial coronariana.

O modelo rendeu nove medicamentos considerados prováveis ​​de fornecer esses benefícios terapêuticos, três dos quais estão atualmente em uso – o que significa que a análise identificou seis candidatos para reaproveitamento de medicamentos. Entre outras descobertas, a análise sugeriu que um medicamento para diabetes – a metformina – e o escitalopram, usado para tratar depressão e ansiedade, podem reduzir o risco de insuficiência cardíaca e derrame na população de pacientes modelo. Acontece que ambas as drogas estão sendo testadas quanto à sua eficácia contra doenças cardíacas.

O Dr. Zhang enfatizou que o que a equipe descobriu neste estudo de caso é menos importante do que como eles chegaram lá. “Minha motivação é aplicar essa técnica, junto com outros especialistas, para encontrar medicamentos para doenças sem nenhum tratamento atual. Isso é muito flexível e podemos ajustar caso a caso. O modelo geral pode ser aplicado a qualquer doença se você puder definir o resultado da doença”, concluiu o pesquisador.

Acesse o resumo do artigo científico (em inglês).

Acesse a notícia completa na página da Universidade Estadual de Ohio (em inglês).

Fonte: Emily Caldwell, Universidade Estadual de Ohio. Imagem: Pixabay.

Em suas publicações, o Canal Farma da Rede T4H tem o único objetivo de divulgação científica, tecnológica ou de informações comerciais para disseminar conhecimento. Nenhuma publicação do Canal Farma tem o objetivo de aconselhamento, diagnóstico, tratamento médico ou de substituição de qualquer profissional da área da saúde. Consulte sempre um profissional de saúde qualificado para a devida orientação, medicação ou tratamento, que seja compatível com suas necessidades específicas.

Os comentários constituem um espaço importante para a livre manifestação dos usuários, desde que cadastrados no Canal Farma e que respeitem os Termos e Condições de Uso. Portanto, cada comentário é de responsabilidade exclusiva do usuário que o assina, não representando a opinião do Canal Farma, que pode retirar, sem prévio aviso, comentários postados que não estejam de acordo com estas regras.

Leia também

2021 Canal Farma | Portal de Notícias, Conteúdos e Rede Profissional em Ciências Farmacêuticas, Tecnologias e Saúde da Rede T4H.

Entre em Contato

Enviando

Fazer login com suas credenciais

ou    

Esqueceu sua senha?

Create Account