Numa época em que pouquíssimas pessoas vivem sem algum ou outro produto farmacêutico diariamente, a indústria nos mima com uma escolha de medicamentos genéricos para cada enfermidade. Em última análise, porém, a escolha de um entre dezenas de medicamentos semelhantes está nas mãos do consumidor, e o mesmo acontece com sua segurança.
Embora todo medicamento aprovado passe pelo árduo processo de testes em humanos, é quase impossível testá-lo em combinação com qualquer outro medicamento que possa ser consumido junto com ele. Se feito, seria um experimento totalmente impraticável, usando mais recursos do que o laboratório médio tem à sua disposição.
Um sistema de Inteligência Artificial (IA) projetado por cientistas da computação de Stanford previu com sucesso - e não apenas rastreou os efeitos colaterais de milhões de possíveis interações medicamentosas. A equipe publicou um estudo com suas pesquisas e descobertas da IA, que eles decidiram chamar de 'Decagon'. Eles contornaram a complexidade de identificar interações medicamentosas indesejadas, voltando aos fundamentos de como os medicamentos afetam a máquina de uma célula.
Assim que estiver disponível para os médicos de uma forma mais amigável, as previsões do Decagon será uma melhoria em relação ao que está disponível agora, o que essencialmente se resume ao acaso - um paciente toma um medicamento, começa a tomar outro e então desenvolve uma dor de cabeça ou pior. Existem cerca de 1.000 efeitos colaterais conhecidos e 5.000 medicamentos no mercado, perfazendo quase 125 bilhões de efeitos colaterais possíveis entre todos os pares possíveis de medicamentos. A maioria deles nunca foi prescrita em conjunto, muito menos estudada sistematicamente. Muitas das interações medicamentosas conhecidas hoje foram descobertas acidentalmente e durante longos períodos de tentativa e erro. A única defesa que médicos, farmacêuticos e consumidores têm usado até agora contra os efeitos colaterais dessas interações tem sido a sorte e o acaso.
Os pesquisadores perceberam que poderiam contornar esse problema estudando como as drogas afetam a maquinaria celular subjacente do corpo. Eles compuseram uma enorme rede que descreve como as mais de 19.000 proteínas em nossos corpos interagem umas com as outras e como diferentes drogas afetam essas proteínas. Usando mais de 4 milhões de associações conhecidas entre drogas e efeitos colaterais, a equipe desenvolveu um método para identificar padrões em como os efeitos colaterais surgem com base em como as drogas têm como alvo proteínas diferentes. Para fazer isso, a equipe se voltou para o aprendizado profundo, um tipo de Inteligência Artificial modelada a partir do cérebro. Em essência, o aprendizado profundo analisa dados complexos e extrai deles padrões abstratos, às vezes contraintuitivos, nos dados. Nesse caso, os pesquisadores projetaram seu sistema para inferir padrões sobre os efeitos colaterais da interação medicamentosa e prever consequências nunca vistas antes de tomar dois medicamentos juntos.
Especificamente, o modelo da equipe usa uma rede neural de gráfico convolucional que emprega previsão de link multirrelacional, em oposição à previsão de link simples que os modelos anteriores usam. O que isso significa é que mais interações possíveis podem ser contabilizadas, e isso é confirmado nos resultados experimentais da equipe, que demonstraram que o Decagon superou os métodos alternativos em 69 por cento, ao mesmo tempo que mostrou um ganho médio de 20 por cento no desempenho preditivo.
Só porque o Decagon encontrou um padrão não o torna necessariamente real, então o grupo olhou para ver se suas previsões se concretizaram. Em muitos casos, sim. Por exemplo, não havia indicação nos dados da equipe de que a combinação de atorvastatina, um medicamento para o colesterol, e amlopidina, um medicamento para pressão arterial, pudesse levar à inflamação muscular. Mesmo assim, Decagon previu que sim, e estava certo. Embora não tenha aparecido nos dados originais, este trabalho sugeriu que a combinação de drogas levou a um tipo perigoso de inflamação muscular. Esse exemplo nasceu em outros casos também. Quando eles pesquisaram na literatura médica em busca de evidências de 10 efeitos colaterais previstos pelo Decagon, mas não em seus dados originais, os membros da equipe descobriram que cinco entre dez foram recentemente confirmados, dando mais crédito às previsões do Decagon.
Uma vez modificado para torná-lo mais amigável para cientistas que não são da computação, a equipe vê um enorme potencial para o Decagon em ajudar os médicos a tomarem melhores decisões sobre quais medicamentos prescrever, e os colegas pesquisadores a encontrar melhores combinações de medicamentos para doenças complexas.
Com uma população envelhecida que também está tomando cada vez mais vários medicamentos do que sua geração anterior, uma ferramenta como o Decagon seria vital na prevenção de efeitos colaterais graves e possivelmente a morte de pacientes. Por enquanto, o Decagon só pode prever interações de dois medicamentos ao mesmo tempo, mas a ideia é expandir as capacidades do modelo para que ele possa analisar mais medicamentos simultaneamente. A equipe também está planejando criar uma ferramenta fácil de usar que os médicos possam usar em seus consultórios e que também pode ajudar os pesquisadores de drogas a desenvolverem regimes múltiplos de medicamentos mais eficientes e menos prejudiciais para doenças mais complicadas.
Quer escrever?
Publique seu artigo na Academia Médica e faça parte de uma comunidade crescente de mais de 200 mil médicos, acadêmicos, pesquisadores e profissionais da saúde. Clique no botão "NOVO POST" no alto da página!