Învățarea automată poate îmbunătăți siguranța medicamentelor în timpul sarcinii
JMIR Publications a publicat astăzi un raport despre progresele înregistrate în înțelegerea siguranței medicamentelor în timpul sarcinii, în secțiunea sa de Știri și Puncte de vedere.
În articolul „Cum poate învățarea automată să închidă lacunele de dovezi pentru siguranța medicamentelor la femeile însărcinate”, autoarea Michelle Falci a realizat interviuri cu investigatorii principali ai două proiecte care utilizează învățarea automată pentru a analiza seturi mari de date referitoare la expunerea la medicamente și rezultate, identificând și evaluând posibilele corelații.
Un aspect îngrijorător al cercetării medicale este subreprezentarea femeilor însărcinate în studiile clinice. Falci raportează că doar 4% dintre studiile clinice desfășurate în ultimul deceniu au inclus femei însărcinate ca participanți. Această tendință își are rădăcinile în 1977, când Administrația pentru Alimente și Medicamente din SUA a recomandat excluderea femeilor însărcinate sau a celor capabile de a rămâne însărcinate din studiile clinice de fază 1 și 2, ceea ce a dus la o lacună de dovezi privind siguranța medicamentelor pentru femeile însărcinate, contribuind astfel la o subreprezentare mai largă a participanților de sex feminin în cercetare. Deși s-au făcut eforturi pentru a determina siguranța medicamentelor utilizate de femeile însărcinate și care alăptează, acestea au fost insuficiente în practică.
Falci analizează două inițiative inovatoare ce vizează închiderea acestei lacune de dovezi: proiectul BOOST-HP, care aplică o abordare bazată pe arbori pentru mineritul de date, și studiul BIONIC, care combină inferența cauzală cu învățarea automată. Fiecare dintre aceste abordări folosește tehnologia de învățare automată pentru a analiza seturi mari de date, permițând cercetătorilor să monitorizeze și să estimeze posibilele legături cauzale.
Cu toate acestea, pentru a beneficia pe deplin de cercetarea asistată de inteligență artificială, este necesară o cantitate mai mare de date, conform liderului studiului BIONIC, Cristina Longo, care subliniază importanța transparenței. Almut G. Winterstein, cercetător principal în cadrul proiectului BOOST-HP, a remarcat că echipa sa utilizează un model de inteligență artificială care le permite să urmărească căile decizionale care duc la evaluările modelului. Utilizarea unui model de tip „cutie neagră” – un sistem al cărui funcționare internă este opacă sau obfuscată – ar putea duce la omisiuni în identificarea erorilor epidemiologice cruciale. O proiectare atentă a modelelor de învățare automată, precum și un set de date mai mare și mai cuprinzător, oferă totuși o mare promisiune pentru închiderea acestei lacune de dovezi.
