FARMAKOLOJİDE YAPAY ZEKA

Farmakolojide yapay zeka teknolojileri gittikçe daha çok kullanılmaya başlandı. İlaç geliştirme aşamasından ilaçların hastalar tarafından kullanılmasına kadar birçok aşamada bu teknolojiler büyük önem taşıyor. Peki bu teknolojilerin geleneksel yöntemleri alt etmesi mümkün mü? Bu soruya cevap vermeden önce farmakolojide kullanılan yapay zeka teknolojilerini dikkatlice incelemek gerekiyor.

İlaçlar ve aşılar üretilirken hedeflerin belirlenmesinde ve bu hedeflerin arasında seçim yapılmasında yapay zeka kullanılıyor. İstenilen hedeflere uygun molekül tasarımları oluşturuluyor ve böylece üretim daha verimli hale geliyor. Örneğin hedefe yönelik mRNA aşıları ve monoklonal antikorlar için yapay zeka çok elverişli. Üstelik bunlar rutinde gün geçtikçe daha fazla kullanılıyor. Geleneksel farmakolojide ise deneme yanılma ve tecrübe ile ilaç geliştiriliyor. Bu hem uzun bir süreç hem de çok yüksek maliyet demek.

Yapay zeka, ilacın klinik aşamasında da önemli bir araç. Klinikte belli standartlar üzerinden tedavi planlanıyor. Bu standartlar ise belli grupların incelenmesiyle oluşturuluyor. Son zamanlarda ise yapay zeka kullanılarak yeni tedavi standartları oluşturulmaya çalışılıyor. Tabii bu tedavileri planlamak için hastalığın seyrini, ilacın dozunu, yan etkilerini ve kullanım süresini tahmin edebilecek algoritmalar geliştiriliyor. İyi bir planlama da hem hastanın iyileşme sürecini hızlandırıyor hem de maliyeti düşürüyor. Örneğin Waljee ve arkadaşları (2017), tiyopürinlerle tedavi edilen inflamatuar bağırsak hastalığı olan hastaların klinik remisyonunu tahmin etmek için rastgele orman modeli ve lojistik regresyon modelleri kullandı. Cesaret verici sonuçlar elde edildikten sonra rastgele orman modelini, Michigan Üniversitesi’ndeki günlük klinik kullanıma dahil ettiler.

Bu algoritmalar oluşturulurken yıllardır birikmiş sağlık verileri bilgisayarlar tarafından işleniyor. Örneğin Jeong ve arkadaşları (2018), laboratuvar test sonuçlarını potansiyel belirleyiciler olarak kullanarak advers ilaç reaksiyonlarını (yan etkilerini) tahmin etmek için makine öğrenmesi kullandı. Veri kaynağı 1 Haziran 1994 – 15 Nisan 2015 döneminde bir hastaneden alınan elektronik sağlık kayıt verileriydi. Veritabanında 475.417 hasta, 119.165.743 ilaç reçetesi, 34.573.581 laboratuvar testi sonucu ve 782.190 hastaneye yatışla ilgili toplam veri vardı. Yazarlara göre, her makine öğrenme tekniği performans indekslerinde farklılıklar gösterdi.

Bir başka örnek ise epidemiyolojik olarak ilaç dozlarının tahmin edilmeye çalışılması. Li ve arkadaşları, Çinli hastalarda warfarin dozunu tahmin etmek için kullanılan algoritmaları karşılaştırdı ve sonunda Çinli hastalar için daha düşük dozların kullanılması gerektiği sonucuna vardılar.

Peki tüm bunları inceledikten sonra yeni teknolojileri, geleneksel farmakolojiyle karşılaştırırsak sonuç ne olur? Henüz ilaç üretim aşamasında yapılmış yeterli karşılaştırma yok. Ama geleneksel farmakoepidemiyoloji ile yapay zeka yöntemlerini inceleyen bir sistematik inceleme yazısı mevcut. Bu incelemede şöyle deniyor: “Hastanın özelliklerine göre ihtiyaç duyulan dozu tahmin etmeyi (% 31,8), Farmakolojik bir tedaviyi takiben klinik yanıtı (% 29,5), advers ilaç reaksiyonlarının oluşum / ciddiyet oranını (% 20,5), eğilim skorunu (% 9,1), ilaç verimsizliği riski daha fazla olan alt popülasyonu (% 4,5), ilaç tüketimini (% 2,3) ve hastanede kalış sürelerini (% 2,3) tahmin etmeyi amaçlayan toplam 44 makalede karşılaştırma yapılmıştır. 44 karşılaştırmanın 22’sinde (% 50) yapay zeka, geleneksel farmakoepidemiyolojik tekniklerden daha iyi performans gösterdi.” Yine de makalede ek olarak yeterli karşılaştırmanın yapılmadığı da söyleniyor.

Bu incelemeler gösteriyor ki yapay zekanın farmakolojide gideceği daha çok yol var. Buna karşın birçok insanın yapay zekadan beklentisi çok yüksek ve geleceği de parlak görünüyor.

KAYNAKÇA

Artificial Intelligence in Pharmacoepidemiology: A Systematic Review. Part 2-Comparison of the Performance of Artificial Intelligence and Traditional Pharmacoepidemiological Techniques

PMID: 33519433 PMCID: PMC7841344 DOI: 10.3389/fphar.2020.568659

+4