Ученые с помощью ИИ ищут лучшие комбинации лекарств против COVID-19

Революционное исследование с использованием машинного обучения выявило лучшие комбинации лекарств для предотвращения повторного заражения COVID-19 после первоначального заражения. Оказывается, эти комбинации не одинаковы для каждого пациента.

Используя реальные данные из больницы в Китае, исследование под руководством Калифорнийского университета в Риверсайде показало, что индивидуальные характеристики, включая возраст, вес и дополнительные заболевания, определяют, какие комбинации лекарств наиболее эффективно снижают частоту рецидивов. 

То, что данные поступили из Китая, важно по двум причинам. Во-первых, когда пациентов лечат от COVID-19 в США, обычно используют один или два препарата. В начале пандемии врачи в Китае могли назначать до восьми различных лекарств, что позволяло анализировать большее количество комбинаций лекарств. Во-вторых, пациенты с COVID-19 в Китае после выписки из больницы должны находиться на карантине в государственной гостинице, что позволяет исследователям более систематически узнавать о показателях повторного заражения.

Исследовательский проект начался в апреле 2020 года, примерно через месяц после начала пандемии. В то время большинство исследований было сосредоточено на показателях смертности. Однако врачи в Шэньчжэне были больше обеспокоены частотой рецидивов, потому что там умирало меньше людей.

Удивительно, но почти 30% пациентов снова стали положительными в течение 28 дней после выписки из больницы,

сказал Цзяю Ляо, доцент кафедры биоинженерии и соавтор исследования.

В исследование были включены данные более 400 пациентов с COVID. Их средний возраст составлял 45 лет, большинство из них были инфицированы вирусом средней степени тяжести, и группа была равномерно разделена по полу. Большинство лечили одной из различных комбинаций противовирусных, противовоспалительных и иммуномодулирующих препаратов, таких как интерферон или гидроксихлорохин.

COVID-19 подавляет интерферон, белок, который клетки вырабатывают для подавления вторжения вирусов. При сниженной защите COVID может размножаться до тех пор, пока иммунная система не взорвется в организме и не разрушит ткани,

пояснил Ляо.

Людям, имевшим более слабую иммунную систему до заражения COVID, для эффективной борьбы с инфекцией требовался иммуностимулирующий препарат. Иммунная система молодых людей становится сверхактивной при инфекции, что может привести к чрезмерному воспалению тканей и даже к смерти. Чтобы предотвратить это, молодым людям в рамках лечения требуются иммунодепрессанты.

Поскольку в этом исследовании использовались реальные данные, исследователям пришлось учитывать факторы, которые могли повлиять на результаты, которые они наблюдали. Например, если определенная комбинация лекарств давалась в основном пожилым людям и оказывалась неэффективной, неясно, виноват ли в этом препарат или возраст человека.

Для этого исследования мы первыми применили метод решения проблемы смешанных факторов путем виртуального сопоставления людей со схожими характеристиками, которые подвергались различным комбинациям лечения. Таким образом, мы могли бы обобщить эффективность комбинаций лечения в разных подгруппах,

сказал Цуй. 

Хотя COVID-19 сегодня лучше изучен, а вакцины значительно снизили уровень смертности, еще многое предстоит узнать о лечении и предотвращении повторных инфекций. 

Машинное обучение использовалось во многих областях, связанных с COVID, таких как диагностика заболеваний, разработка вакцин и дизайн лекарств, в дополнение к этому новому анализу комбинаций нескольких лекарств. Ляо считает, что в будущем технологии будут играть еще большую роль.

В медицине машинное обучение и искусственный интеллект еще не оказали такого большого влияния, как я полагаю, в будущем. Этот проект — отличный пример того, как мы можем двигаться к действительно персонализированной медицине,

сказал Ляо.