Все лекарства имеют побочные эффекты: от обычного аспирина до лечебных трав и от стандартных противоопухолевых препаратов до экспериментальных иммунодепрессантов. Однако прогнозирование серьезных побочных эффектов, серьезных побочных реакций на лекарственные препараты, нежелательных реакций лекарственного средства, при нынешнем понимании практически невозможно. Тем не менее, технология нейронной сети, обученная на прошлых данных, может дать фармацевтическим компаниям и медицинским работникам новый инструмент для определения потенциала побочных эффектов при приеме любого лекарства.
В Международном журнале медицинской инженерии и информатики команда из Университета медицины и стоматологии Нью-Джерси разработала новую модель, которая, как показывают тесты, составляет 99 единиц.87 процентов точности в прогнозировании побочных реакций на лекарства среди 10 000 наблюдений и 100 процентов для несерьезных побочных эффектов.
Пэн-фан Йен и его коллеги Динеш Митал и Шанкар Сринивасан объясняют, как обязательные предупреждающие надписи на упаковке лекарств часто служат только для того, чтобы вызывать беспокойство у пациентов, в то время как продукты, снятые с рынка из-за повторяющихся нежелательных реакций, неоднократно подрывают фармацевтическую промышленность. С точки зрения медицинской индустрии и пациентов, это растущая проблема, которую можно решить с помощью новых технологий, спасающих жизни, репутацию и расходы на здравоохранение.
Управление по санитарному надзору за качеством пищевых продуктов и медикаментов (FDA) США и Всемирная организация здравоохранения (ВОЗ) постоянно следят за безопасностью лекарств. Однако технология, которая могла бы выявлять возможные нежелательные реакции на лекарство на самой ранней стадии разработки, лицензирования и маркетинга лекарств, крайне необходима, особенно с учетом потенциальных рисков для пациентов в новых областях здравоохранения и потенциальных рисков для доверия акционеров.
Искусственная нейронная сеть команды представляет собой математическую модель биологической нейронной сети, встроенную в компьютерное программное обеспечение. Он обучается путем ввода структурных и физических данных, связанных с известными фармацевтическими продуктами и любыми ADR. Цикл обратной связи отбрасывает те связи, в которых делается неверный прогноз известного результата, и по мере добавления данных ИНС создает сеть правильных "предсказания". После достаточного обучения ИНС можно протестировать на другом наборе фармацевтических препаратов, а результаты проверить на соответствие известным нежелательным реакциям. Если достоверность достаточно высока, ИНС можно использовать для прогнозирования нежелательных реакций на новые лекарства.
Команда продемонстрировала точность 95 процентов в предварительных тестах и теперь использует гораздо больший набор данных из 10 000 молекул лекарств и наблюдений за ADR, чтобы обучить ИНС на гораздо более точном уровне.