Je mehr Medikamente ein patient nimmt, desto größer ist die Wahrscheinlichkeit, dass Wechselwirkungen zwischen diesen Medikamenten auslösen könnte negative Nebenwirkungen haben, einschließlich der langfristigen Organschäden und sogar zum Tod führen. Nun, Forscher an der Penn State entwickelt haben, eine machine-learning-system, das möglicherweise in der Lage, Sie zu warnen ärzte und Patienten über mögliche negative Nebenwirkungen, die auftreten können, wenn Drogen gemischt werden.
In einer Studie, die Forscher entwickelt, ein Algorithmus, der die Daten analysiert werden, die auf Wechselwirkungen aufgeführt Berichte—zusammengestellt von der Food and Drug Administration und anderen Organisationen—für die Verwendung in einem möglichen Alarm-system, das lassen Sie Patienten wissen, Wann Sie ein Medikament Kombination konnte prompt zu gefährlichen Nebenwirkungen.
„Sagen wir, ich bin dabei, ein beliebtes over-the-counter Schmerzmittel und dann bin ich auf den Blutdruck setzen Medizin, und diese Medikamente haben eine Wechselwirkung mit allen anderen, die wiederum Auswirkungen auf meine Leber“, sagte Soundar Kumara, der Allen E. Pearce und Allen M. Pearce Professor des Industrial Engineering der Penn State. „Im wesentlichen, was wir getan haben, in dieser Studie, ist zu sammeln alle Daten, die auf alle Erkrankungen an der Leber und Verwandte sehen, welche Medikamente interagieren mit einander, um die Leber betreffen.“
Drug-drug-Interaktion gibt es erhebliche Probleme, weil die Patienten oft mehrere Medikamente verschrieben und Sie nehmen Sie over-the-counter-Medizin, die auf Ihre eigenen, fügte Kumara, der ebenfalls ein Partner des Instituts für CyberScience, bietet supercomputing-Ressourcen für Penn State Forscher.
„Diese Studie ist von sehr hoher Bedeutung“, sagte Kumara. „Die meisten Patienten sind nicht auf eine einzige Droge. Sie sind auf mehrere Medikamente. Eine Studie wie diese ist von immenser Einsatz für diese Menschen.“
Erstellen Sie die alert-system, das Forscher stützte sich auf einen autoencoder-Modell, das ist eine Art von künstlichen neuronalen Netzwerk, lose ausgelegt, wie das menschliche Gehirn Informationen verarbeitet. Traditionell, Computer benötigen, Daten beschriftet, was bedeutet, dass Menschen brauchen, um die Daten zu beschreiben, die für das system, um Ergebnisse zu produzieren. Für Arzneimittel-Wechselwirkungen, eventuell Programmierer-label-Daten von tausenden von Drogen und Millionen von verschiedenen Kombinationen der möglichen Interaktionen. Der autoencoder-Modell, jedoch, ist geeignet für semi-überwachten algorithmen, das heißt, es können sowohl Daten, ist gekennzeichnet durch Menschen, und unbeschriftete Daten.
Die hohe Anzahl von möglichen negativen Wechselwirkungen, die von minderjährigen zu schweren, möglicherweise unbeabsichtigt, ärzte und Patienten zu ignorieren Warnungen, die nennen das die Forscher „alert fatigue.“ Um zu vermeiden, Alarm-Müdigkeit, die Forscher nur Wechselwirkungen, die würde als hohe Priorität, wie lebensbedrohliche, Invalidität, Krankenhausaufenthalt und der erforderlichen intervention.
Kumara sagte, dass Sie analysieren, wie Medikamente interagieren, ist der erste Schritt. Die weitere Entwicklung und Verfeinerung der Technologie führen könnte, genauer—und noch mehr personalisierte—drug-Interaktion Warnungen.
„Die Reaktionen sind nicht unabhängig von diesen Chemikalien, die miteinander interagieren—das ist die zweite Ebene,“, sagte Kumara. „Die Dritte Ebene das ist die Chemische -, um-chemischen Wechselwirkungen mit den genomischen Daten der einzelnen Patienten.“
Die Forscher, die veröffentlicht Ihre Ergebnisse in der August 2019 Problem von Biomedical und Health Informatics, verwendet selbst-berichteten Daten aus dem FDA Adverse Event Reporting System und Informationen über mögliche schwere Wechselwirkungen von das Büro des Nationalen Koordinators für Health Information Technology. Auch Sie verwendet Informationen aus online-Datenbanken bei DrugBank und Drugs.com. Doppelte Berichte und der Berichte über nicht schwerwiegende Interaktionen entfernt wurden.