Un modelo de IA puede ayudar a predecir eventos adversos de nuevas combinaciones de medicamentos

Los datos preliminares de un modelo de inteligencia artificial podrían potencialmente predecir los efectos secundarios resultantes de nuevas terapias combinadas, según los resultados presentados en la Reunión Anual AACR 2022, celebrada del 8 al 13 de abril.

«Los médicos se enfrentan al problema del mundo real de que las nuevas terapias combinadas podrían conducir a resultados impredecibles», dijo Bart Westerman, Ph.D., autor principal del estudio y profesor asociado en el Cancer Center Amsterdam. «Nuestro enfoque puede ayudarnos a comprender la relación entre los efectos de diferentes fármacos en relación con el contexto de la enfermedad».

Muchos tipos de cáncer se tratan cada vez más con terapias combinadas, a través de las cuales los médicos intentan maximizar la eficacia y minimizar las posibilidades de resistencia al tratamiento. Sin embargo, tales terapias combinadas pueden agregar múltiples medicamentos a la vez a la ya complicada lista de medicamentos de un paciente. Los ensayos clínicos que prueban nuevos medicamentos o combinaciones rara vez tienen en cuenta otros medicamentos que un paciente puede tomar fuera del régimen de tratamiento probado.

«Los pacientes que buscan tratamiento comúnmente usan de cuatro a seis medicamentos al día, lo que dificulta decidir si una nueva terapia combinada pondría en riesgo su salud», dijo Westerman. «Puede ser difícil evaluar si el efecto positivo de una terapia combinada justificará sus efectos secundarios negativos para un paciente determinado».

Westerman y sus colegas, incluida la estudiante graduada Aslı Küçükosmanoğlu, quien presentó el estudio, buscaron utilizar el aprendizaje automático para predecir mejor los eventos adversos resultantes de las nuevas combinaciones de medicamentos. Recolectaron datos del Sistema de Informes de Eventos Adversos (FAERS) de la Administración de Alimentos y Medicamentos de EE. UU., una base de datos que contiene más de 15 millones de registros de eventos adversos. Usando un método llamado reducción dimensional, agruparon eventos que ocurren con frecuencia para simplificar el análisis y fortalecer las asociaciones entre un fármaco y su perfil de efectos secundarios.

Luego, los investigadores introdujeron los datos en un algoritmo de red neuronal convolucional, un tipo de aprendizaje automático que imita la forma en que los cerebros humanos hacen asociaciones entre los datos. A continuación, se usaron los eventos adversos de las terapias individuales para entrenar el algoritmo, que identificó patrones comunes entre los medicamentos y sus efectos secundarios. Los patrones reconocidos se codificaron en el llamado «espacio latente» que simplifica los cálculos al representar cada perfil de evento adverso como una cadena de 225 números entre 0 y 1, que se pueden decodificar de nuevo al perfil original.

Para probar su modelo, los investigadores proporcionaron perfiles de eventos adversos no vistos de terapias combinadas a su modelo, llamado «atlas de eventos adversos», para ver si podía reconocer estos nuevos perfiles y decodificarlos adecuadamente usando los descriptores de espacio latente. Esto mostró que el modelo podía reconocer estos nuevos patrones, demostrando que los perfiles combinados medidos podían volver a convertirse en los de cada fármaco en la terapia de combinación.

Esto, dijo Westerman, demostró que los efectos adversos de la terapia combinada se podían predecir fácilmente. «Pudimos determinar la suma de los efectos de la terapia individual mediante un simple cálculo algebraico de los descriptores de espacio latente», explicó. «Dado que este enfoque reduce el ruido en los datos porque el algoritmo está entrenado para reconocer patrones globales, puede capturar con precisión los efectos secundarios de las terapias combinadas».

Westerman y sus colegas validaron aún más su modelo al comparar los perfiles de eventos adversos previstos de las terapias combinadas con los observados en la clínica. Uso de datos de FAERS y EE. UU. base de datos de ensayos clínicoslos investigadores demostraron que el modelo podía recapitular con precisión los perfiles de eventos adversos para ciertas terapias combinadas de uso común.

Un factor que complica las terapias combinadas son los nuevos efectos secundarios potencialmente imprevistos que pueden surgir cuando se combinan los medicamentos. Usando patrones aditivos identificados por el modelo, los investigadores pudieron diferenciar los efectos secundarios aditivos de los efectos secundarios sinérgicos de las combinaciones de medicamentos. Esto, dijo Westerman, puede ayudarlos a comprender mejor lo que podría suceder cuando se entrelazan perfiles complejos de eventos adversos.

Los investigadores están desarrollando un enfoque estadístico para cuantificar la precisión de su modelo. «Dado que el panorama de las interacciones farmacológicas es muy complejo e involucra muchos procesos moleculares, macromoleculares, celulares y de órganos, es poco probable que nuestro enfoque conduzca a decisiones en blanco y negro», dijo Westerman. «El atlas de eventos adversos aún se encuentra en la fase de prueba de concepto, pero el hallazgo más importante es que pudimos obtener instantáneas de la interacción de medicamentos, enfermedades y el cuerpo humano tal como lo describen millones de pacientes».

Las limitaciones de este estudio incluyen las posibles dificultades para comparar estos datos con datos más escasos, así como la aplicación limitada del modelo a la práctica clínica hasta que se proporcione una validación adicional.

La financiación de este estudio fue proporcionada por Brain Tumor Charity, Innovation Exchange Amsterdam y Health~Holland. Westerman recibió una subvención de asociación público-privada de Health~Holland en un proyecto revisado por pares donde Medstone es la parte privada.

---

---