Определение безопасных, но эффективных дозировок лекарств для детей является постоянной проблемой как для фармацевтических компаний, так и для врачей. Новое лекарство обычно сначала тестируется на взрослых, и результаты этих испытаний используются для выбора доз для педиатрических испытаний. Основное предположение, как правило, состоит в том, что дети похожи на взрослых, только меньше, что часто верно, но может также упускать из виду различия, возникающие из-за того, что детские органы все еще развиваются.
Проблема усугубляется тем, что педиатрические испытания не всегда проливают свет на другие различия, которые могут повлиять на рекомендации по дозировке лекарств. Есть много факторов, которые ограничивают участие детей в испытаниях лекарств – например, некоторые болезни у детей просто встречаются реже – и, следовательно, полученные наборы данных, как правило, очень редки.
Чтобы сделать лекарства и их разработку более безопасными для детей, исследователи из Университета Аалто и фармацевтическая компания Novartis разработали метод, позволяющий более эффективно использовать имеющиеся данные.
"Это метод, который может помочь определить безопасные дозы лекарств быстрее и с меньшим количеством наблюдений, чем раньше," говорит соавтор Аки Вехтари, доцент кафедры информатики в Университете Аалто и Финском центре искусственного интеллекта FCAI.
В своем исследовании исследовательская группа создала модель, которая улучшает наше понимание того, как развиваются органы.
"Размер органа – не обязательно единственное, что влияет на его работу. Детские органы просто не так эффективны, как у взрослых. При моделировании лекарств, если мы предположим, что размер – единственное, что имеет значение, мы можем в конечном итоге дать слишком большие дозы," объясняет Ээро Сийвола, первый автор исследования и докторант Университета Аалто.
В то время как стандартный подход к оценке педиатрических данных основан на субъективных оценках модельной диагностики, новый подход, основанный на регрессии гауссовского процесса, в большей степени ориентирован на данные и, следовательно, менее подвержен систематическим ошибкам. Также лучше справляться с небольшими объемами выборки, поскольку учитываются неопределенности.
Исследование является результатом исследовательской программы FCAI по вероятностному ИИ Agile, предлагая отличный пример метода, который позволяет извлечь максимум из даже очень скудных наборов данных.
В исследовании исследователи демонстрируют свой подход, повторно анализируя педиатрическое исследование эверолимуса, препарата, используемого для предотвращения отторжения трансплантатов органов. Но возможные преимущества их метода далеко идущие.
"Он работает с любым наркотиком, концентрацию которого мы хотим исследовать," Вехтари говорит, как от аллергии и обезболивающих.
Такой подход может быть особенно полезен в ситуациях, когда новое лекарство испытывается на совершенно новой группе – детей или взрослых – которая имеет небольшой размер, что потенциально может сделать фазу испытания намного более эффективной, чем она есть в настоящее время. Другое многообещающее применение относится к расширению использования существующего лекарства для других симптомов или заболеваний; метод может поддерживать этот процесс более эффективно, чем существующие практики.
Статья будет опубликована 10 мая в журнале «Статистика в медицине», который уже доступен в Интернете.