Les données préliminaires d’un modèle d’intelligence artificielle pourraient potentiellement prédire les effets secondaires résultant de nouvelles thérapies combinées, selon les résultats présentés lors de la réunion annuelle 2022 de l’AACR, qui s’est tenue du 8 au 13 avril.
Les cliniciens sont mis au défi par le problème du monde réel que les nouvelles thérapies combinées pourraient conduire à des résultats imprévisibles. Notre approche peut nous aider à comprendre la relation entre les effets de différents médicaments par rapport au contexte de la maladie. »
Bart Westerman, PhD, auteur principal de l’étude et professeur associé au Cancer Center Amsterdam
De nombreux types de cancer sont de plus en plus traités avec des thérapies combinées, grâce auxquelles les cliniciens tentent de maximiser l’efficacité et de minimiser les risques de résistance au traitement. Cependant, ces thérapies combinées peuvent ajouter plusieurs médicaments à la fois à la liste déjà compliquée de médicaments d’un patient. Les essais cliniques qui testent de nouveaux médicaments ou combinaisons tiennent rarement compte des autres médicaments qu’un patient peut prendre en dehors du schéma thérapeutique testé.
« Les patients qui recherchent un traitement utilisent généralement quatre à six médicaments par jour, ce qui rend difficile de décider si une nouvelle thérapie combinée risquerait leur santé », a déclaré Westerman. « Il peut être difficile d’évaluer si l’effet positif d’une thérapie combinée justifiera ses effets secondaires négatifs pour un certain patient. »
Westerman et ses collègues, y compris l’étudiant diplômé Aslı Küçükosmanoğlu, qui a présenté l’étude, ont cherché à utiliser l’apprentissage automatique pour mieux prédire les événements indésirables résultant de nouvelles combinaisons de médicaments. Ils ont recueilli des données du système de notification des événements indésirables (FAERS) de la Food and Drug Administration des États-Unis, une base de données contenant plus de 15 millions d’enregistrements d’événements indésirables. À l’aide d’une méthode appelée réduction dimensionnelle, ils ont regroupé des événements qui se produisent fréquemment afin de simplifier l’analyse et de renforcer les associations entre un médicament et son profil d’effets secondaires.
Les chercheurs ont ensuite introduit les données dans un algorithme de réseau neuronal convolutif, un type d’apprentissage automatique qui imite la façon dont les cerveaux humains font des associations entre les données. Les événements indésirables des thérapies individuelles ont ensuite été utilisés pour former l’algorithme, qui a identifié des modèles communs entre les médicaments et leurs effets secondaires. Les modèles reconnus ont été encodés dans un soi-disant « espace latent » qui simplifie les calculs en représentant chaque profil d’événement indésirable sous la forme d’une chaîne de 225 nombres entre 0 et 1, qui peuvent être décodés pour revenir au profil d’origine.
Pour tester leur modèle, les chercheurs ont fourni à leur modèle des profils d’événements indésirables de thérapies combinées, appelés « atlas des événements indésirables », pour voir s’il pouvait reconnaître ces nouveaux profils et les décoder correctement à l’aide des descripteurs d’espace latent. Cela a montré que le modèle pouvait reconnaître ces nouveaux modèles, démontrant que les profils combinés mesurés pouvaient être reconvertis en ceux de chaque médicament dans la thérapie combinée.
Cela, a déclaré Westerman, a démontré que les effets indésirables de la thérapie combinée pouvaient être facilement prédits. « Nous avons pu déterminer la somme des effets thérapeutiques individuels grâce à un simple calcul algébrique des descripteurs d’espace latent », a-t-il expliqué. « Étant donné que cette approche réduit le bruit dans les données car l’algorithme est formé pour reconnaître les modèles globaux, il peut capturer avec précision les effets secondaires des thérapies combinées. »
Westerman et ses collègues ont ensuite validé leur modèle en comparant les profils d’événements indésirables prédits des thérapies combinées à ceux observés en clinique. En utilisant les données de FAERS et de la base de données des essais cliniques aux États-Unis, les chercheurs ont montré que le modèle pouvait récapituler avec précision les profils d’événements indésirables pour certaines thérapies combinées couramment utilisées.
Un facteur de complication des thérapies combinées est les nouveaux effets secondaires potentiellement imprévus qui peuvent survenir lorsque les médicaments sont combinés. En utilisant des modèles additifs tels qu’identifiés par le modèle, les chercheurs ont pu différencier les effets secondaires additifs des effets secondaires synergiques des combinaisons de médicaments. Cela, a déclaré Westerman, peut les aider à mieux comprendre ce qui pourrait se produire lorsque des profils d’événements indésirables complexes s’entremêlent.
Les chercheurs développent une approche statistique pour quantifier la précision de leur modèle. « Étant donné que le paysage des interactions médicamenteuses est très complexe et implique de nombreux processus moléculaires, macromoléculaires, cellulaires et organiques, il est peu probable que notre approche conduise à des décisions en noir et blanc », a déclaré Westerman. « L’atlas des événements indésirables est encore en phase de validation de principe, mais la découverte la plus importante est que nous avons pu obtenir des instantanés de l’interaction des médicaments, des maladies et du corps humain tels que décrits par des millions de patients. »
Les limites de cette étude comprennent les difficultés potentielles de comparaison de ces données avec des données plus rares, ainsi que l’application limitée du modèle à la pratique clinique jusqu’à ce qu’une validation supplémentaire soit fournie.
