استفاده از هوش مصنوعی برای یافتن برنامه های جدید برای داروهای موجود – ScienceDaily

[ad_1]

دانشمندان یک روش یادگیری ماشینی ایجاد کرده اند که مقدار زیادی داده را روان می کند تا به شما کمک کند تا مشخص کنید کدام داروهای موجود می توانند نتایج بیماریهایی را که برای آنها تجویز نشده است ، بهبود بخشند.

هدف از این کار تسریع در تغییر کاربری داروها است ، که مفهوم جدیدی نیست – تزریق بوتاکس را در نظر بگیرید ، ابتدا برای درمان دور چشم ، و اکنون درمان میگرن و بهترین استراتژی آرایشی برای کاهش ظاهر چین و چروک است.

اما دستیابی به این برنامه های جدید معمولاً شامل ترکیبی از آزمایش های بالینی تصادفی و زمان بر و گران قیمت است تا اطمینان حاصل شود که دارویی که برای یک بیماری م effectiveثر تلقی می شود به عنوان درمانی برای چیز دیگری مفید خواهد بود.

محققان دانشگاه ایالتی اوهایو چارچوبی را ایجاد کرده اند که مجموعه داده های گسترده ای از داده های مراقبت از بیمار را با محاسبات قدرتمند ترکیب می کند تا به کاندیداهای تجویز شده دارویی و اثرات پیش بینی این داروهای موجود بر روی مجموعه ای از نتایج برسد.

اگرچه این مطالعه بر روی تغییر جایگزین پیشنهادی داروها برای جلوگیری از نارسایی قلبی و سکته مغزی در بیماران مبتلا به بیماری عروق کرونر تمرکز دارد ، اما این چارچوب انعطاف پذیر است – و می تواند در بیشتر بیماری ها اعمال شود.

نویسنده ارشد پینگ ژانگ ، استادیار علوم کامپیوتر و مهندسی و انفورماتیک زیست پزشکی در گفت: “این کار نشان می دهد که چگونه می توان از هوش مصنوعی برای” آزمایش “دارو بر روی بیمار و سرعت بخشیدن به تولید فرضیه ها و سرعت بالقوه آزمایشات بالینی استفاده کرد.” اوهایو “اما ما هرگز جایگزین پزشک نخواهیم شد – تصمیمات دارو همیشه توسط پزشکان گرفته می شود.”

این مطالعه امروز (4 ژانویه 2021) در هوش ماشین طبیعت.

انحراف مواد مخدر یک اقدام جذاب است زیرا می تواند خطر مرتبط با آزمایش ایمنی داروهای جدید را کاهش دهد و مدت زمان لازم برای عرضه دارو به بازار را برای استفاده بالینی به شدت کاهش دهد.

آزمایشات بالینی تصادفی استاندارد طلایی برای تعیین اثر بخشی دارو در برابر بیماری است ، اما ژانگ خاطرنشان کرد که یادگیری ماشینی می تواند صدها – یا هزاران – تفاوت انسانی را در جمعیت های بزرگ تشخیص دهد که می تواند بر نحوه کار دارو در بدن تأثیر بگذارد. این عوامل یا عوامل مخدوش کننده از سن ، جنس ، نژاد تا شدت بیماری و وجود بیماری های دیگر ، به عنوان پارامترهایی در الگوریتم رایانه ای عمیق که چارچوب بر اساس آن کار می کند ، عمل می کنند.

این اطلاعات از “شواهد واقعی” حاصل می شود ، که داده های نظارت طولی بر روی میلیون ها بیمار اسیر شده توسط سوابق الکترونیکی پزشکی یا ادعاهای بیمه و داده های نسخه است.

ژانگ ، رئیس آزمایشگاه هوش مصنوعی در پزشکی و مدرس ارشد انستیتوی تجزیه و تحلیل داده های ترجمه ، گفت: “داده های دنیای واقعی بسیار سردرگم هستند. به همین دلیل ما در حال معرفی الگوریتمی یادگیری عمیق هستیم که بتواند از پس پارامترهای مختلف برآید.” در اوهایو “اگر صدها یا هزاران سردرگم کننده داشته باشیم ، هیچ انسانی نمی تواند با آن کار کند. بنابراین برای حل مشکل باید از هوش مصنوعی استفاده کنیم.

ژانگ گفت: “ما اولین تیمی هستیم که استفاده از الگوریتم آموزش عمیق برای مدیریت داده های دنیای واقعی ، کنترل چندین دستگاه گیج کننده و تقلید از آزمایشات بالینی را معرفی کردیم.”

تیم تحقیقاتی از اطلاعات ادعاهای بیمه برای تقریباً 1.2 میلیون بیمار مبتلا به بیماری های قلبی عروقی استفاده می کند که اطلاعاتی در مورد درمان تجویز شده آنها ، نتایج بیماری و مقادیر مختلف برای عوامل احتمالی گیج کننده ارائه می دهد. الگوریتم آموزش عمیق همچنین این قدرت را دارد که برای تجربه هر بیمار – برای هر ویزیت ، تجویز و آزمایش تشخیصی – حساب کند. مدل ورودی داروها بر اساس مواد موثره آنها است.

محققان با استفاده از تئوری استنباط به اصطلاح علی ، گروههای فعال بیماران دارای دارو و دارونما را دسته بندی کردند که در یک آزمایش بالینی تشخیص داده می شود. این مدل بیماران را به مدت دو سال ردیابی می کرد – و وضعیت بیماری آنها را در این مرحله با اینکه آیا آنها دارو مصرف می کنند ، کدام داروها و چه زمانی رژیم را مقایسه می کنند ، مقایسه کرد.

ژانگ گفت: “با نتیجه گیری علی ، ما می توانیم با مسئله درمان مكرر مقابله كنیم. ما در قبال اینكه دارو A یا داروی B برای این بیماری م worksثر است ، مسئولیتی نداریم ، اما در حال كشف هستیم كه کدام روش درمانی نتیجه بهتری خواهد داشت.”

فرضیه آنها: این مدل داروهایی را شناسایی می کند که می توانند خطر نارسایی قلبی و سکته مغزی را در بیماران مبتلا به بیماری عروق کرونر کاهش دهند.

این مدل نه دارویی به همراه داشت که تصور می شود این فواید درمانی را فراهم می کند ، سه مورد از آنها در حال حاضر استفاده می شوند – به این معنی که در این تجزیه و تحلیل شش کاندیدای تغییر مجدد دارو مشخص شده است. در میان یافته های دیگر ، تجزیه و تحلیل نشان می دهد که داروهای دیابت متفورمین و اسکیتالوپرام برای درمان افسردگی و اضطراب ممکن است خطر نارسایی قلبی و سکته را در جمعیت مدل بیمار کاهش دهند. به نظر می رسد که هر دو دارو در حال حاضر از نظر کارآیی در برابر بیماری های قلبی در حال آزمایش هستند.

ژانگ تأكید كرد كه آنچه تیم در این مورد یافت كمتر از چگونگی ورود آنها به آنجا بود.

وی گفت: “انگیزه من این است كه این كار را بهمراه سایر متخصصان برای یافتن درمان بیماریها بدون هیچگونه مداوای مداوم انجام دهم. این بسیار انعطاف پذیر است و ما می توانیم هر مورد را متناسب كنیم.” “اگر بتوانید نتیجه بیماری را تعیین کنید ، مدل کلی را می توان برای هر بیماری اعمال کرد.”

این مطالعه توسط مرکز ملی توسعه علوم ترجمه ، که توسط مرکز علوم بالینی و ترجمه در اوهایو تأمین می شود ، پشتیبانی می شود.

[ad_2]

منبع: unbox-news.ir

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>