L’intelligence artificielle découvre les meilleures combinaisons de médicaments pour prévenir la récidive du COVID

Utiliser l’apprentissage automatique pour améliorer la vie.

Une étude révolutionnaire d’apprentissage automatique a révélé les combinaisons de médicaments optimales pour prévenir la récurrence de

” data-gt-translate-attributes=”[{“attribute”:”data-cmtooltip”, “format”:”html”}]”> COVID-19 après l’infection initiale. Fait intéressant, la combinaison idéale diffère selon les patients.

En utilisant des données réelles d’un hôpital en Chine, l’étude dirigée par UC Riverside a découvert que des facteurs tels que l’âge, le poids et d’autres conditions de santé dictent quelles combinaisons de médicaments réduisent le plus efficacement les taux de récidive. Cette découverte a été publiée dans la revue Frontières de l’intelligence artificielle.

Le fait que les données proviennent de Chine est significatif pour deux raisons. Premièrement, lorsque les patients sont traités pour COVID-19 aux États-Unis, c’est normalement avec un ou deux médicaments. Au début de la pandémie, les médecins chinois pouvaient prescrire jusqu’à huit médicaments différents, permettant l’analyse d’un plus grand nombre de combinaisons de médicaments. Deuxièmement, les patients atteints de COVID-19 en Chine doivent être mis en quarantaine dans un hôtel géré par le gouvernement après leur sortie de l’hôpital, ce qui permet aux chercheurs de se renseigner sur les taux de réinfection de manière plus systématique.

« Cela rend cette étude unique et intéressante. Vous ne pouvez obtenir ce type de données nulle part ailleurs dans le monde », a déclaré Xinping Cui, professeur de statistiques à l’UCR et auteur de l’étude.

Le projet d’étude a débuté en avril 2020, environ un mois après le début de la pandémie. À l’époque, la plupart des études se concentraient sur les taux de mortalité. Cependant, les médecins de Shenzhen, près de Hong Kong, étaient plus préoccupés par les taux de récidive car moins de personnes y mouraient.

“Étonnamment, près de 30% des patients sont redevenus positifs dans les 28 jours suivant leur sortie de l’hôpital”, a déclaré Jiayu Liao, professeur agrégé de bio-ingénierie et co-auteur de l’étude.

Les données de plus de 400 patients COVID ont été incluses dans l’étude. Leur âge moyen était de 45 ans, la plupart étaient infectés par des cas modérés de

” data-gt-translate-attributes=”[{“attribute”:”data-cmtooltip”, “format”:”html”}]”> virus, et le groupe était également divisé par sexe. La plupart ont été traités avec l’une des diverses combinaisons d’un antiviral, d’un anti-inflammatoire et d’un médicament immunomodulateur, comme l’interféron ou

” data-gt-translate-attributes=”[{“attribute”:”data-cmtooltip”, “format”:”html”}]”> Hydroxychloroquine.

Le fait que divers groupes démographiques aient eu plus de succès avec différentes combinaisons peut être attribué à la façon dont le virus fonctionne.

“COVID-19 supprime l’interféron, une protéine fabriquée par les cellules pour inhiber les virus envahisseurs. Avec des défenses abaissées, le COVID peut se répliquer jusqu’à ce que le système immunitaire explose dans le corps et détruise les tissus », a expliqué Liao.

Les personnes qui avaient un système immunitaire plus faible avant l’infection au COVID avaient besoin d’un médicament stimulant le système immunitaire pour combattre efficacement l’infection. Le système immunitaire des personnes plus jeunes devient hyperactif avec l’infection, ce qui peut entraîner une inflammation excessive des tissus et même la mort. Pour éviter cela, les jeunes ont besoin d’un immunosuppresseur dans le cadre de leur traitement.

«Lorsque nous recevons un traitement pour des maladies, de nombreux médecins ont tendance à proposer une solution pour les personnes de 18 ans et plus. Nous devons maintenant reconsidérer les différences d’âge, ainsi que d’autres maladies, telles que le diabète et l’obésité », a déclaré Liao.

La plupart du temps, lorsqu’ils effectuent des tests d’efficacité des médicaments, les scientifiques conçoivent un essai clinique dans lequel des personnes ayant la même maladie et les mêmes caractéristiques de base sont affectées au hasard à des groupes de traitement ou de contrôle. Mais cette approche ne tient pas compte d’autres conditions médicales qui peuvent affecter la façon dont le médicament fonctionne – ou ne fonctionne pas – pour des sous-groupes spécifiques.

Parce que cette étude a utilisé des données du monde réel, les chercheurs ont dû s’adapter aux facteurs qui pourraient affecter les résultats qu’ils ont observés. Par exemple, si une certaine combinaison de médicaments était administrée principalement à des personnes âgées et s’avérait inefficace, il ne serait pas clair si le médicament est à blâmer ou l’âge de la personne.

“Pour cette étude, nous avons mis au point une technique pour relever le défi des facteurs de confusion en faisant correspondre virtuellement des personnes ayant des caractéristiques similaires qui subissaient différentes combinaisons de traitement”, a déclaré Cui. “De cette façon, nous pourrions généraliser l’efficacité des combinaisons de traitement dans différents sous-groupes.”

Bien que le COVID-19 soit mieux compris aujourd’hui et que les vaccins aient considérablement réduit les taux de mortalité, il reste encore beaucoup à apprendre sur les traitements et la prévention des réinfections. “Maintenant que la récidive est plus préoccupante, j’espère que les gens pourront utiliser ces résultats”, a déclaré Cui.

L’apprentissage automatique a été utilisé dans de nombreux domaines liés au COVID, tels que le diagnostic des maladies, le développement de vaccins et la conception de médicaments, en plus de cette nouvelle analyse des combinaisons multi-médicaments. Liao pense que la technologie aura un rôle encore plus important à jouer à l’avenir.

“En médecine,

” data-gt-translate-attributes=”[{“attribute”:”data-cmtooltip”, “format”:”html”}]”>apprentissage automatique et l’intelligence artificielle n’ont pas encore eu autant d’impact que je le pense à l’avenir », a déclaré Liao. “Ce projet est un excellent exemple de la façon dont nous pouvons évoluer vers une médecine véritablement personnalisée.”

Référence : « Learning from real world data about combinatory treatment selection for COVID-19 » par Song Zhai, Zhiwei Zhang, Jiayu Liao et Xinping Cui, 3 avril 2023, Frontières de l’intelligence artificielle.
DOI : 10.3389/frai.2023.1123285