ШІ для безпеки ліків: Приклади використання
Штучний інтелект може значно підвищити безпеку ліків, виявляючи нові побічні ефекти швидше та ефективніше, ніж люди.
Автор: Сергій Тихонов, Керівник відділу бізнес-аналізу
Безпека ліків та виявлення їхніх побічних ефектів завжди були пріоритетом у сфері охорони здоров’я. Це стало ще актуальнішим у часи COVID та післяковідний період через напругу навколо безпеки вакцин. Розробники рішень зі штучного інтелекту переконані, що ШІ може знаходити нові побічні ефекти ліків значно швидше та ефективніше, ніж люди, водночас суттєво підвищуючи безпеку медикаментів.
Правила безпеки ліків відрізняються в різних країнах і можуть включати різні вимоги до звітності. Це підкреслює необхідність збору інформації про побічні ефекти ліків з якомога ширшого кола джерел.
Розробка рішень для охорони здоров’я: Бізнес-кейси
Ця стаття призначена для органів з видачі дозволів на маркетинг, фармацевтичних компаній, органів та експертів у сфері охорони здоров’я, журналістів, а також широкого кола свідомих громадян і розповідає про:
- ШІ та виявлення зв’язків між ліками та подіями для груп пацієнтів з певними проблемами зі здоров’ям;
- ШІ та скрапінг соціальних мереж для виявлення побічних ефектів;
- ШІ та скрапінг індивідуальних звітів про випадки безпеки (ICSRs) для власників дозволів на маркетинг (MAH).
Приклади використання
Будь ласка, ознайомтеся з етапами розробки ліків Управлінням з санітарного нагляду за якістю харчових продуктів та медикаментів США (FDA). Розробка ліків з будь-яким регуляторним органом має досить схожі етапи:
- Відкриття та розробка
- Доклінічні дослідження
- Клінічні дослідження
- Перевірка ліків FDA
- Моніторинг безпеки ліків FDA після виходу на ринок
У процесі розробки ліків ШІ здебільшого застосовується для клінічних досліджень, працюючи з величезними обсягами клінічних даних. Але ця стаття описує застосування ШІ для моніторингу безпеки ліків після виходу на ринок, що є менш складним і може бути реалізовано значно швидше.
ШІ може оперативно справлятися з моніторингом безпеки ліків, знаходячи необхідну інформацію, пов’язану з безпекою, генеруючи інсайти та автоматизуючи повторювані завдання. У більшості випадків рішення ШІ для безпеки ліків використовують методи обробки природної мови (NLP).
- Рішення ШІ можуть витягувати дані з документів та вільних ресурсів у будь-якому форматі та мові: читати тексти та розуміти людську мову;
- Рішення ШІ можуть прогнозувати та запобігати проблемам безпеки для кращого захисту споживачів;
- Рішення ШІ є самонавчальними та можуть виконувати монотонну роботу надзвичайно швидко.
Якщо ви працюєте у сфері фармаконагляду та безпеки ліків, розгляньте кілька прикладів можливостей ШІ в цій галузі. Розробники рішень ШІ можуть навчати алгоритми виявляти та прогнозувати побічні лікарські події (ПЛП) для цих або подібних випадків.
Виявлення зв’язків між ліками та подіями для певних груп пацієнтів
Цей розділ присвячений моніторингу побічних ефектів ліків, що виникають у певних груп пацієнтів. Побічна лікарська подія (ПЛП) – це ситуація, коли людина негативно реагує на ліки. ПЛП збільшують кількість пацієнтів у відділеннях невідкладної допомоги та стаціонарних лікарняних відділеннях, підвищуючи витрати на медичне лікування.
Побічні лікарські події відбуваються нерівномірно в різних групах пацієнтів. Найбільш вразливими тут є пацієнти, які вже належать до певних груп за станом здоров’я. Причини ПЛП численні: генетичні, метаболічні, взаємодії з іншими речовинами тощо.
Порада експерта
Оскільки рішення ШІ застосовуються для моніторингу безпеки ліків, варто згадати різницю між ПЛП (побічна лікарська подія) та ПЛР (побічна лікарська реакція). Реакція викликана певною дозою ліків, яка є шкідливою для пацієнта, тоді як подія відбувається незалежно від дози.
Для виявлення ПЛП у цих груп людей рішення ШІ аналізують різні набори даних пацієнтів та медичних даних. Це можуть бути дані пацієнтів в ЕМК (електронних медичних картках), дані в FAERS (Система звітності про побічні події Управління з санітарного нагляду за якістю харчових продуктів та медикаментів США) або дані в японській Open TG GATES (ToxicoGenomics – Genomics Assisted Toxicity Evaluation Systems).
Використовуючи ці бібліотеки, рішення ШІ можуть створювати точні прогностичні моделі та передбачати ПЛП для певних груп пацієнтів у тисячах нових ліків.
Навчання рішень ШІ для запобігання ПЛП
Під час розробки рішень ШІ для прогнозування ПЛП у конкретних когортах пацієнтів постачальники застосовують наступний сценарій.
- Постачальники рішень ШІ навчають алгоритми фільтрувати доступні дані, пов’язані з ПЛП у конкретних групах пацієнтів;
- Постачальники рішень ШІ обирають конкретні ознаки з цих даних та коригують критерії фільтрації;
- Постачальники рішень ШІ використовують глибокі нейронні мережі (DNN) для обробки відфільтрованих даних;
- Рішення ШІ аналізують експресію генів та хімічні структури з урахуванням фонових даних для створення прогностичних моделей.
Будь ласка, ознайомтеся з кількома прикладами використання, які пояснюють цей процес.
Приклад використання: Прогностична модель ПЛП для пацієнтів з виразкою дванадцятипалої кишки
Цільова група – це група пацієнтів з виразкою дванадцятипалої кишки. Це дуже поширене захворювання. У Frontiersin вчені описують розробку рішення ШІ, яке прогнозує ПЛП для пацієнтів з виразкою дванадцятипалої кишки.
Використовуючи базу даних FAERS та тест Фішера, вчені ідентифікували ліки, які були найбільш значуще пов’язані з виразкою дванадцятипалої кишки. Тест Фішера визначає, чи існують невипадкові асоціації між двома категоріальними змінними. Ці ліки: Аспірин, Диклофенак, Ібупрофен, Індометацин, Мелоксикам та Напроксен.
Вони також ідентифікували найменш асоційовані ліки. Це Ацетамінофен, Аміодарон, Бортезоміб, Карбамазепін, Ципрофлоксацин та Циклофосфамід.
Далі, для побудови прогностичної моделі ПЛП для виразки дванадцятипалої кишки, вони застосували зразки цих ліків з Open TG–Gates: специфічні сполуки, кількість зразків експресії генів, пов’язаних з цими сполуками, та результати тесту Фішера.
В результаті, тепер фахівці охорони здоров’я можуть прогнозувати, які ліки спричинять побічні події у пацієнтів з виразкою дванадцятипалої кишки, та видавати спеціальні попередження.
Приклад використання: ШІ та виявлення зв’язків між ліками та подіями для людей з діабетом
Цільова група – пацієнти з діабетом. Люди з діабетом потребують особливої уваги, особливо під час пандемії. Ресурс NCBI описує інтелектуальну систему рекомендацій ліків, яка використовувалася для аналізу легеневих (пов’язаних з легенями) ПЛП у пацієнтів з діабетом, які проходили лікування від Covid-19.
Це рішення фактично виявило поширеність легеневих побічних ефектів ліків у пацієнтів, які приймали інгібітори АПФ або БРА для контролю артеріального тиску. Вчені стверджують, що Каптоприл статистично показав більше легеневих ПЛП, ніж інші інгібітори АПФ та БРА. Хоча Каптоприл не єдиний у цьому списку.
Примітка
Безпека ліків – не єдине застосування ШІ для людей з діабетом. Наприклад, рішення ШІ можуть розпізнавати та аналізувати закономірності рівня глюкози та події дозування інсуліну, а також відстежувати поведінкові патерни, що спричиняють високий або низький рівень цукру в крові у пацієнтів з діабетом.
Скрапінг соціальних мереж для виявлення побічних ефектів
Цей розділ присвячений моніторингу побічних ефектів ліків для певних препаратів у соціальних мережах. Пацієнти, які мають ПЛП, схильні збиратися в групи та обговорювати свої нагальні проблеми або занепокоєння, пов’язані зі здоров’ям, як особисто, так і через певні соціальні мережі. Зусилля зі звітності про ПЛП спрямовані на сканування цих сайтів соціальних мереж для отримання інформації. Однак вилучення ПЛП пацієнта із соціальних мереж все ще може бути складним завданням.
Рішення ШІ цього типу зазвичай використовують обробку природної мови (NLP). Однак мова в соціальних мережах є дуже неформальною. Люди діляться своїм досвідом та почуттями щодо ліків, побічних ефектів, реакцій та подій немедичними, нетехнічними та дуже описовими способами, які важко витягти. У багатьох випадках вони використовують сленг, не мають логічної послідовності та не надають повної інформації.
Рішення ШІ для скрапінгу соціальних мереж для виявлення ПЛП ще не набули широкого поширення; зазвичай вони виглядають наступним чином:
- Рішення ШІ фільтрує вільні дані в соціальних мережах за допомогою обробки природної мови (NLP) і має на меті витягти медичні дані – згадки про ліки, захворювання та ПЛП. Вони можуть використовувати кластеризацію слів, послідовну розмітку та вбудовування слів для швидших результатів;
- Рішення ШІ розпізнає згадки про ліки, захворювання та побічні лікарські події;
- Рішення ШІ визначає серйозність побічної лікарської події у згадках за допомогою статистичного навчання;
- Рішення ШІ розуміє назви та зв’язки медичних даних, згаданих у соціальних мережах, використовуючи відповідні медичні бази даних;
- Рішення ШІ повідомляє про знайдені результати ПЛП.
Таким чином, шляхом скрапінгу соціальних мереж для виявлення побічних ефектів ліків, ШІ сприяє фармаконагляду та моніторингу безпеки ліків після виходу на ринок.
Використання ШІ для скрапінгу тисяч ICSR для MAH
Цей розділ присвячений моніторингу побічних ефектів ліків в індивідуальних звітах про випадки безпеки (ICSR).
Щоб підвищити безпеку ліків, власники дозволів на маркетинг (MAH) повинні проводити глибокі дослідження ПЛП після авторизації нового препарату. MAH може бути будь-яка організація, яка має дозвіл на маркетинг, наданий EMA. Дозвіл на маркетинг від MAH випускає новий препарат мільйонам пацієнтів.
MAH реєструють усі ймовірні ПЛР та ПЛП, що виникають в ЄС або в країнах, що розвиваються. Вони шукають ці реакції та події на випадковій основі або під час післяринкового дослідження.
ICSR представляють собою самостійно поданий документ про побічні лікарські події, звіти про помилки в медикаментах та скарги на якість продукції, що призводять до ПЛП. Більшість рідкісних ПЛП можна знайти в ICSR та науковій літературі.
Щоб бути кваліфікованим, будь-який ICSR повинен містити джерело інформації, пацієнта (ініціали імені, вік, стать), назву ліків та опис їхнього негативного побічного ефекту. Ці звіти надаються органам авторизації відповідно до певних правил та оперативно.
Оскільки витрати та час на післяринкову безпеку ліків обмежені, застосування рішень ШІ настійно рекомендується для MAH.
Щоб намалювати загальну картину, тисячі наукових статей публікуються в десятках тисяч журналів щодня. І цей обсяг зростає. Ручний перегляд цієї літератури є сумнівним. Також лише невеликий відсоток цих статей містить дійсний ICSR.
Враховуючи величезний вплив авторизованих ліків на населення та доступність даних про побічні ефекти ліків, застосування ШІ для скрапінгу ICSR є самоочевидним.
Як рішення ШІ скраплять ICSR
Наукова література та ICSR є благодатним ґрунтом для рішень ШІ, щоб сканувати та витягувати тисячі ПЛП для будь-якого препарату за короткий час. Процес досить схожий на скрапінг соціальних мереж для ПЛП, з кількома відмінностями.
Скрапінг ICSR та наукової літератури легший на етапі фільтрації. Тут ШІ фільтрує високоякісні медичні інформаційні ресурси. Ці дані перевірені, вони містять загальні наукові словники та є логічними в контексті. Однак великі обсяги можуть показувати дуже мало даних про ціль, що займе час.
Для виявлення статистичних асоціацій між ліками та ПЛП постачальники ШІ рекомендують використовувати кілька надійних бібліотек, а не лише одну, наприклад, FAERS. Необґрунтовані висновки та недостатня звітність в одній бібліотеці можуть бути компенсовані іншою.
Під час фільтрації кількох ресурсів із загальними моделями даних, семантичні предикації вбудовування NLP (Mower) вважаються найефективнішими. Вони витягують кластери “концепція-відношення-концепція”.
Тоді як для прогнозування зв’язку “ліки-ПЛП” розробники спочатку виявляють та розпізнають концепцію.
Оскільки ICSR описують рідкісні випадки, для оцінки причинно-наслідкового зв’язку рішення ШІ можуть використовувати алгоритм Наранхо, алгоритм Венулета та систему ВООЗ-UMC для стандартизованої оцінки причинно-наслідкового зв’язку випадків.
Розробка індивідуальних рішень ШІ
Рішення ШІ для безпеки ліків та запобігання побічним ефектам препаратів роблять фармаконагляд ефективнішим. Аналітика, пов’язана з ліками, є лише одним із прикладів ШІ в EHS для покращення безпеки та добробуту людини.
Зв’яжіться з нами, якщо ви шукаєте розробників рішень ШІ для охорони здоров’я та інших галузей.
Джерело: Softengi