Les chercheurs ont développé une méthode d’apprentissage automatique qui analyse de très grands ensembles de données pour déterminer quels médicaments existants pourraient être utilisés pour traiter des maladies pour lesquelles il n’existe pas de prescription. Ce processus est appelé « réorientation des médicaments », une stratégie courante pour trouver de nouveaux usages aux médicaments existants offrant une transition rapide de la recherche aux soins cliniques.
La réaffectation des médicaments peut réduire le risque associé aux tests d’innocuité des nouveaux médicaments, mais aussi réduire considérablement le temps et les moyens financiers nécessaires pour mettre un médicament sur le marché clinique. Cependant, la découverte de nouvelles utilisations pour les médicaments existants nécessite encore des essais contrôlés randomisés longs et coûteux pour prouver qu’un médicament efficace pour une maladie sera également utile pour en traiter une autre. Pour surmonter ce défi, une équipe a conçu un système de calculs en deux étapes. Tout d’abord, il recherche d’énormes ensembles de données liées aux soins des patients avec des calculs de haute puissance pour arriver à des candidats-médicaments réutilisés pour une maladie donnée. À la deuxième étape, il calcule et estime les effets de ces médicaments existants sur un ensemble défini de résultats cliniques. Comme preuve de principe, les chercheurs ont décidé de se concentrer sur la réutilisation des médicaments pour prévenir l’insuffisance cardiaque et les accidents vasculaires cérébraux chez les patients atteints de maladie coronarienne.
L’avantage de cette approche d’apprentissage automatique est qu’elle peut analyser et comparer des milliers de différences dans le corps humain au sein d’une large population afin d’observer les effets d’un médicament dans le corps. Ces facteurs de confusion tels que l’âge, le sexe, l’origine et la gravité de la maladie fonctionnent comme des paramètres dans l’algorithme informatique d’apprentissage en profondeur sur lequel le cadre est basé. Ces informations sont diffusées à partir des « preuves du monde réel », qui consiste en données d’observation longitudinales portant sur des millions de patients et enregistrées dans divers types de dossiers médicaux électroniques. L’équipe a utilisé les données d’assurance de plus de 1,2 million de patients cardiaques. L’algorithme a analysé les ordonnances et les résultats d’examens médicaux de chaque patient en modélisant les médicaments en fonction de leurs ingrédients actifs. Le modèle a produit un total de 9 médicaments présentant des avantages thérapeutiques potentiels (trois médicaments actuellement utilisés et six nouveaux candidats pour une éventuelle réutilisation). Chose intéressante, deux médicaments contre le diabète, la metformine et l’escitalopram, se sont avérés réduire le risque d’insuffisance cardiaque et d’accident vasculaire cérébral chez la population de patients modèles. Cette étude montre comment l’intelligence artificielle peut accélérer la génération des hypothèses et les essais cliniques. Bien que cette étude se soit concentrée sur l’insuffisance cardiaque et les accidents vasculaires cérébraux, ce modèle est flexible et pourrait être appliqué à la plupart des maladies complexes.
- Source
Ruoqi Liu, Lai Wei & Ping Zhang (2021), « A Deep Learning Framework for Drug Repurposing via Emulating Clinical Trials on Real-World Patient Data [Un cadre d’apprentissage en profondeur pour la réutilisation des médicaments via l’émulation d’essais cliniques sur des données réelles de patients, NdT] », dans Nature Machine Intelligence, n° 3, pp. 68-75.
