A gépi tanuló algoritmusok javaslatai sokkal hatékonyabbá tehetik a már meglévő szereknek az eredeti elképzelésektől eltérő hasznosítását.

Az ismert és engedélyezett, jól meghatározott céllal alkalmazott gyógyszerek időnként más tünetek vagy betegségek kezelésére is hatásosak lehetnek. Az ilyen felhasználásokra egy ideje már nem csak a gyakorlati tapasztalat és véletlen megfigyelések alapján derül fény, hanem kifejezetten erre a célra szolgáló kutatások is igyekeznek feltárni a hatóanyagoknak az eredetileg elképzelt alkalmazástól eltérő hasznosítását, megfelelő alapokra helyezve az adatelemzésre vagy akár heurisztikus módszerekre épülő vizsgálatokat.

A gyógyszer-áthelyezésnek vagy gyógyszer-repozíciónak is nevezett megközelítést ígéretes stratégiának tekintik a gyógyszeriparban, nem utolsósorban azért, mert a sikeres felfedezések nyomán gyorsabban, olcsóbban és kevesebb kockázattal állíthatók elő az új termékek az egyre nagyobb populációt érintő betegségekre is. Erre közismert példa a botox, amit kezdetben izomelváltozások miatti mozgászavarok esetében használtak, később azonban nagy karriert futott be az esztétikai sebészeti felhasználásban.

Kevésbé banális és nagyon is aktuális dolog a koronavírus-járvány, amelynek kirobbanása óta a szakemberek a COVID-19 fertőzések kapcsán kutatják a már meglévő szerek esetleges hasznosítását. Ennek érdekében a legkülönfélébb megközelítéseket alkalmazzák, amelyek között még a matematikai és a hálózatkutatásban alkalmazott módszerek is megjelennek, így az sem meglepő, hogy az extrém mennyiségű adat gyors és hatékony elemzésére képes gépi tanuló rendszerek is megjelentek a pályán.

Az Ohio State University munkatársai néhány nappal ezelőtt a Nature Machine Intelligence oldalán tették közzé friss eredmnyeiket egy olyan keretrendszer kidolgozásában, ami a valódi betegek kezelése során keletkező adattömeget az ennek megfelelő számítási teljesítménnyel kombinálja, hogy prognosztizálja a már ismert gyógyszerek várható hatásait az előre definiált eredménykészleteken – vagyis az összes olyan esetben, amikor meghatározhatók a betegségek egyes kimenetelei. Bár maga a tanulmány a koszorúér-betegségek esetében koncentrált a szívinfarktus és az agyvérzés megelőzésére több mint 1,2 millió szívbeteg biztosítási adatainak feldolgozásával, a kutatók szerint a keretrendszer annyira rugalmas, hogy az gyakorlatilag bármely más betegság esetén alkalmazható a gyógyszer-repozíció kutatásában.

Sohasem próbált megoldásokat javasolnak

Azt maguk a tudósok is hangsúlyozzák, hogy a gépi tanuló algoritmus bevetése semmi esetre sem váltja ki a képzett orvosok közreműködését, akik meghozzák a gyógyszerekkel kapcsolatos döntéseket. A mesterséges intelligencia ezzel együtt hatékonyan alkalmazható a szerek adott betegeken való "tesztelésére", és felgyorsítja mind a velük kapcsolatos hipotézisek felállítását, mind a későbbi klinikai vizsgálatokat – ebben a speciális esetben például kilenc olyan gyógyszert is azonosított, amelytől terápiás előnyök remélhetők az érintett betegeknél, és ezek közül mindössze három volt tényleges használatban.

A véletlenszerű klinikai kísérleteken túl a gépi tanuló rendszer azt teszi lehetővé, hogy sok száz vagy ezer olyan meghatározó különbséget azonosítsanak a teljes populációra vetítve, ami befolyásolja az egyes gyógyszerek hatásait az emberi testben. Ezeket a változókat a mélytanuló algoritmus mind külön paraméterként kezeli, az információ pedig a valódi esetekből, sok millió páciens vizsgálatainak elektronikus dokumentációjából származik.

A modell működéséről részletesebben is beszámoló Tech Xplore a kutatásban résztvevő egyik professzort idézi, aki szerint csak a mesterséges intelligencia képes ekkora adatmennyiség és ennyi változó együttes kezelésére. Ezzel összefüggésben az Ohio State University fejlesztése lenne a legelső olyan mélytanuló algoritmus, ami ezen a területen valódi adatokat és ilyen sokféle változót használva emulálja a klinikai vizsgálatokat, az életkortól, a nemtől vagy a rassztól egészen az egyes betegségek súlyosságáig, a kísérőbetegségek jelenlétéig, az alkalmazott kezelésekig vagy akár csak a potenciális zavaró faktorokig.

Az új rendszer mindezek alapján nem arra keresi a választ, hogy ez vagy az a gyógyszer hatékonyabb az adott betegséggel szemben, hanem már a gyakorlati alkalmazást megelőzően következtet rá, hogy várhatóan melyik terápia lesz a leghatásosabb. A fenti alapesetnél maradva, a mesterséges intelligencia egy cukorbetegség és egy depresszió elleni szert is megjelölt, mint ami a modellezett populáció esetében eredményesen csökkentheti a szívinfarktus vagy a stroke esélyeit, utóbb pedig kiderült, hogy ezeket a gyógyszereket máshol már a valóságban is ugyanilyen céllal tesztelik.

Cloud & big data

A zsarolóprogramoktól félnek a legjobban a biztonsági vezetők

A ransomware támadások mára vezető IT-biztonsági kockázattá váltak, az idén várhatóan még tovább növekszik az incidensek száma és a célpontok köre is.
 
Jó hír: ehhez rendelkezésre állnak a megfelelő eszközök. Az általánossá váló távmunka még jobban ráirányította a figyelmet, hogy az adatok biztosítása nem csak a cloud szolgáltatók, hanem legalább akkora részben a megrendelők felelőssége is.
Nem általában a távmunkáé, hanem a mostani tipikus távmunka-helyzeteké. A szervezetek arra nem voltak felkészülve, hogy mindenki otthonról dolgozik.

Alapjaiban kell megújítani a biztonságról kialakított felfogásunkat

Tavaly január végétől megszűnt a Java SE 8 ingyenes frissítése, és a Java SE 11 sem használható ingyenesen üzleti célra. Tanácsok azoknak, akik még nem találtak megoldást. Hegedüs Tamás (IPR-Insights) írása.
Ön sem informatikus, de munkája során az információtechnológia is gyakran befolyásolja döntéseit? Ön is informatikus, de pénzügyi és gazdasági szempontból kell igazolnia a projektek hasznosságát? Mi közérthető módon, üzleti szemmel dolgozzuk fel az infokommunikációs híreket, trendeket, megoldásokat. A Bitport tizenegyedik éve közvetít sikeresen az informatikai piac és a technológiát hasznosító döntéshozók között.
© 2010-2021 Bitport.hu Média Kft. Minden jog fenntartva.