Cientistas da Universidade Estadual de Ohio desenvolveram um método de machine learning capaz de processar quantidades massivas de dados e identificar medicamentos já existentes que poderiam aprimorar tratamentos de doenças para as quais não seriam prescritos. O objetivo do trabalho é acelerar o reaproveitamento de substâncias.
Combinando inúmeras informações relacionadas ao atendimento de pessoas e à computação de alta potência para verificar possíveis candidatos a reaproveitamento e seus efeitos estimados, a tecnologia criada compila seus trabalhos em um conjunto de dados.
Apesar de focado em soluções para insuficiência cardíaca e acidente vascular cerebral de pessoas com doença arterial coronariana, o projeto é flexível o suficiente para ser aplicado à maioria das condições existentes, “mostrando como a inteligência artificial pode ser utilizada para ‘testar’ drogas em pacientes e acelerar a geração de hipóteses, assim como, potencialmente, testes clínicos”, indica Ping Zhang, professor assistente de Ciência da Computação e Engenharia e Informática Biomédica.
Deep learning
O reaproveitamento de substâncias é uma busca atrativa pelo fato de, quando efetivo, reduzir riscos associados à avaliação de novos medicamentos, assim como o tempo necessário à disponibilização de recursos inéditos no mercado. Zhang afirmou ao ScienceDaily que a técnica, nesse caso, contempla centenas e até milhares de diferenças existentes em uma vasta população que poderiam influenciar a atuação das drogas no corpo — aspectos analisados, geralmente, pelos testes randomizados comuns.
Informações como idade, gênero, etnia e gravidade de doenças, assim como a presença de outras, funcionam como parâmetros no algoritmo desenvolvido. Milhões de dados capturados de registros médicos eletrônicos ou reclamações de seguros, além de dados de prescrições, compõem o cenário fora do alcance humano.
“Somos a primeira equipe a introduzir o uso do algoritmo de deep learning para lidar com os dados do mundo real, controlar vários fatores de confusão e emular os ensaios clínicos”, destacou Zhang.
Resultados
Levando em consideração o tempo de cada visita ao médico, a prescrição fornecida, os testes e diagnósticos e as experiências completas de 1,2 milhão de pacientes com doenças cardíacas, além dos tratamentos a eles atribuídos, o desenvolvimento de suas condições e os fatores já citados, a plataforma se baseia primeiramente nos ingredientes ativos das substâncias administradas. Depois, entra em ação a chamada teoria da inferência causal, por meio da qual os pesquisadores categorizam grupos de pacientes com medicamento ativo e placebo, processo semelhante ao tradicional – o modelo os acompanhou por dois anos, analisando detalhadamente todos os aspectos de cada caso.
“Com a inferência causal, podemos resolver o problema de haver vários tratamentos. Não respondemos se a droga A ou a droga B funcionam para essa doença ou não, mas descobrimos qual ação terá o melhor desempenho”, explicou Zhang.
O projeto foi bem-sucedido. De nove medicamentos com o potencial de fornecer benefícios terapêuticos, mais especificamente redução de riscos de insuficiência cardíaca e acidente vascular cerebral daqueles com doença arterial coronariana, três já estão em uso. Dois outros, utilizados em tratamentos de diabetes e depressão, também foram indicados e surpreendentemente já passam por processos convencionais de análise justamente para a aplicação avaliada pela metodologia.
“Minha motivação é, com outros especialistas, encontrar medicamentos para doenças sem tratamento”, ressaltou Zhang. “O modelo geral pode ser aplicado a qualquer condição se você puder definir como ela se desenvolve”, finalizou.
Conheça o maior e mais relevante evento de saúde do Brasil
Fonte: Science Daily.
