Alleen vorige maand, 23 procent van de Amerikanen nam twee of meer voorgeschreven medicijnen, volgens een schatting van de CDC, en 39 procent ouder dan 65 neemt vijf of meer, een aantal dat de afgelopen decennia is verdrievoudigd. En alsof dat nog niet verrassend genoeg is, probeer deze:in veel gevallen, artsen hebben geen idee welke bijwerkingen kunnen optreden bij het toevoegen van een ander medicijn aan de persoonlijke apotheek van een patiënt.

Het probleem is dat met zoveel medicijnen die momenteel op de Amerikaanse farmaceutische markt zijn, "het is praktisch onmogelijk om een ​​nieuw medicijn te testen in combinatie met alle andere medicijnen, want voor één medicijn zouden dat vijfduizend nieuwe experimenten zijn, " zei Marinka Zitnik, een postdoctoraal fellow in de informatica. Met enkele nieuwe medicijncombinaties, ze zei, "We weten echt niet wat er gaat gebeuren."

Maar informatica kan misschien helpen. In een paper gepresenteerd op 10 juli tijdens de 2018-bijeenkomst van de International Society for Computational Biology in Chicago. Zitnik en collega's Monica Agrawal, een masterstudent, en Jure Leskovec, een universitair hoofddocent informatica, een kunstmatige-intelligentiesysteem opzetten om te voorspellen, niet alleen volgen, mogelijke bijwerkingen van combinaties van geneesmiddelen. dat systeem, genaamd Decagon, zou artsen kunnen helpen betere beslissingen te nemen over welke medicijnen ze moeten beschrijven en onderzoekers kunnen helpen betere combinaties van medicijnen te vinden om complexe ziekten te behandelen.

Te veel combinaties

Eenmaal beschikbaar voor artsen in een meer gebruiksvriendelijke vorm, Decagon's voorspellingen zouden een verbetering zijn ten opzichte van wat er nu beschikbaar is, wat in wezen neerkomt op toeval - een patiënt neemt één medicijn, begint een andere te nemen en krijgt dan hoofdpijn of erger. Er zijn ongeveer 1000 verschillende bekende bijwerkingen en 5, 000 medicijnen op de markt, wat zorgt voor bijna 125 miljard mogelijke bijwerkingen tussen alle mogelijke geneesmiddelenparen. De meeste hiervan zijn nooit samen voorgeschreven, laat staan ​​systematisch bestudeerd.

Maar, Zitnik, Agrawal en Leskovec realiseerden zich dat ze dat probleem konden omzeilen door te bestuderen hoe medicijnen de onderliggende cellulaire machinerie in ons lichaam beïnvloeden. Ze hebben een enorm netwerk samengesteld dat beschrijft hoe de meer dan 19, 000 eiwitten in ons lichaam interageren met elkaar en hoe verschillende medicijnen deze eiwitten beïnvloeden. Met behulp van meer dan 4 miljoen bekende associaties tussen medicijnen en bijwerkingen, het team ontwierp vervolgens een methode om patronen te identificeren in hoe bijwerkingen optreden op basis van hoe medicijnen zich op verschillende eiwitten richten.

Om dat te doen, het team wendde zich tot deep learning, een soort kunstmatige intelligentie gemodelleerd naar de hersenen. In essentie, deep learning kijkt naar complexe gegevens en haalt daaruit abstracte, soms contra-intuïtieve patronen in de gegevens. In dit geval, de onderzoekers ontwierpen hun systeem om patronen af ​​te leiden over bijwerkingen van geneesmiddeleninteracties en om voorheen onzichtbare gevolgen te voorspellen van het samen nemen van twee geneesmiddelen.

Complicaties voorspellen

Alleen omdat Decagon een patroon vond, maakt het niet noodzakelijkerwijs echt, dus de groep keek of de voorspellingen uitkwamen, en in veel gevallen dat deden ze. Bijvoorbeeld, er was geen indicatie in de gegevens van het team dat de combinatie van atorvastatine, een cholesterolmedicijn, en amlopidine, een bloeddrukmedicatie, kan leiden tot spierontsteking, maar Decagon voorspelde dat het zou, en het klopte. Hoewel het niet in de oorspronkelijke gegevens voorkwam, een casusrapport uit 2017 suggereerde dat de medicijncombinatie had geleid tot een gevaarlijke vorm van spierontsteking.

Dat voorbeeld werd ook in andere gevallen geboren. Toen ze de medische literatuur doorzochten naar bewijs van tien bijwerkingen die waren voorspeld door Decagon, maar niet in hun oorspronkelijke gegevens, het team ontdekte dat vijf van de tien onlangs zijn bevestigd, waardoor de voorspellingen van Decagon nog meer geloofd worden.

"Het was verrassend dat eiwitinteractienetwerken zoveel onthullen over bijwerkingen van medicijnen, " zei Leskovec, die lid is van Stanford Bio-X, Stanford Neurosciences Institute en de Chan Zuckerberg Biohub.

Direct, Decagon houdt alleen rekening met bijwerkingen die verband houden met combinaties van geneesmiddelen, en in de toekomst hoopt het team hun resultaten uit te breiden met meer complexe regimes, zei Leskovec. Ze hopen ook een gebruiksvriendelijker hulpmiddel te creëren om artsen advies te geven over de vraag of het een goed idee is om een ​​bepaald medicijn aan een bepaalde patiënt voor te schrijven en om onderzoekers te helpen bij het ontwikkelen van medicijnregimes voor complexe ziekten met minder bijwerkingen.

"Vandaag, bijwerkingen van geneesmiddelen worden in wezen per ongeluk ontdekt, "Leskovec zei, "en onze aanpak heeft het potentieel om te leiden tot effectievere en veiligere gezondheidszorg."