Monash universiteto tyrėjai naudoja vartotojų AI galią, kad įvertintų vaistų saugumą ir perpildymo potencialą.
„Asociacijos atradimo“ duomenų gavybos įrankis, žinomas kaip „Magnum Opus“ ir paprastai naudojamas nustatyti pirkėjų elgesio modelius, buvo iš naujo apibrėžtas norint atskleisti medicinos saugos ir narkotikų atradimo modelius.
Tyrimas paskelbtas Klinikinė farmakologija ir terapija ir sujungia medicinos ir technologijų kompetenciją iš Medicinos naudojimo ir saugos centro (CMU) Monash farmacijos mokslų institute ir Duomenų mokslo katedros bei Informacinių technologijų fakulteto (FIT) Fakultete.
Tyrime buvo naudojama 10% imties iš Australijos farmacijos naudos schemos (PBS), sudarytos iš daugiau nei 300 milijonų receptinių įrašų 2014–2024 m.
Tyrimo metu buvo analizuojami visi vaistai, kurių kiekviena kohorta buvo paskirta prieš jų būklę, komanda galėjo pastebėti ir suskirstyti į kategorijas kelis modelius. Pavyzdžiui:
- Koronarinė širdies liga: Laukiami ryšiai atsirado su cholesterolio mažinimo ir vaistų nuo kraujo plonėjimo, galbūt dėl gydymo sutampančių sąlygų.
- 2 tipo diabetas: tikimasi, kad kai kurie vaistai (pvz.
- Epilepsija: Buvo pastebėta daug tikėtinų antidepresantų, antipsichozinių vaistų ir padidėjusios epilepsijos rizikos ryšių, o dažnas kraujospūdis mažinantis vaistas buvo netikėtai susijęs su mažesne rizika.
George'as Tan, CMU ir bendražygio autoriaus mokslo darbuotojas, teigė, kad išvados rodo, kaip gali būti galingi recepto duomenys, atskleidžiant paslėptus vaistų ir sveikatos rezultatų ryšius.
„Medicinos naudojimo modeliai pasakoja istoriją. Studijuodami receptus, galime ne tik pamatyti, kaip traktuojamos sąlygos, bet ir sužinoti stebinančias nuorodas, kurios gali reikšti naują riziką, naują apsaugą ar net naujus esamų vaistų vartojimą”, – teigė dr. Tan.
Profesorius Geoffas Webbas iš „FIT“, vyresnysis autorius, teigė: „Šis tyrimas parodo, kaip dideli duomenys gali sukelti ankstyvų įkalčių apie medicinos saugumą ir efektyvumą panašiai, kaip tai padeda numatyti vartotojų elgesį“.
„PG padeda mums pereiti nuo reaktyvios prie aktyvios sveikatos priežiūros“, – tęsė profesorius Webbas.
„Pasinaudodami tais pačiais algoritmais, kurie prognozuoja, ką žmonės gali nusipirkti toliau, mes galime pradėti numatyti, kurie vaistai gali būti geriausiai tinkami pacientams, kurie gali kelti paslėptą riziką. Tai susiję ne tik su duomenimis analizuoti, bet ir generuoti naujas medicinines žinias, kurios galiausiai gali pagerinti pacientų priežiūrą.”
Dr Lynn Miller iš FIT, bendražygio autoriaus, taip pat paminėjo: „Adaptingo asociacijos atradimų algoritmų su sveikatos priežiūros algoritmais galime atskleisti prasmingus ryšius tarp milijonų receptų, o ne pakeisti klinikinius tyrimus, bet padėti vadovauti, kur šie tyrimai turėtų atrodyti toliau“.
Svarbu pabrėžti, kad šios išvados yra ankstyvosios stadijos ir hipotezės generuojančios. Norint patikslinti ir patvirtinti signalus, reikia atlikti papildomus tyrimus, išbandžius jų laiką, biologinį patikimumą ir nuoseklumą skirtinguose duomenų rinkiniuose.