Bara förra månaden, 23 procent av amerikanerna tog två eller fler receptbelagda läkemedel, enligt en CDC-uppskattning, och 39 procent över 65 år tar fem eller fler, ett antal som har tredubblats under de senaste decennierna. Och om det inte är tillräckligt förvånande, prova den här:i många fall, läkare har ingen aning om vilka biverkningar som kan uppstå om man lägger till ett annat läkemedel på patientens personliga apotek.

Problemet är att med så många läkemedel som för närvarande finns på den amerikanska läkemedelsmarknaden, "det är praktiskt taget omöjligt att testa ett nytt läkemedel i kombination med alla andra droger, för bara för ett läkemedel skulle det vara fem tusen nya experiment, sa Marinka Zitnik, en postdoktor i datavetenskap. Med några nya läkemedelskombinationer, Hon sa, "Vi vet verkligen inte vad som kommer att hända."

Men datavetenskap kanske kan hjälpa. I ett dokument som presenterades den 10 juli vid mötet 2018 för International Society for Computational Biology i Chicago. Zitnik och kollegor Monica Agrawal, en masterstudent, och Jure Leskovec, en docent i datavetenskap, lägga ut ett artificiellt intelligenssystem för att förutsäga, inte bara spåra, potentiella biverkningar från läkemedelskombinationer. Det systemet, kallas Decagon, kan hjälpa läkare att fatta bättre beslut om vilka läkemedel som ska beskrivas och hjälpa forskare att hitta bättre kombinationer av läkemedel för att behandla komplexa sjukdomar.

För många kombinationer

När den är tillgänglig för läkare i en mer användarvänlig form, Decagons förutsägelser skulle vara en förbättring jämfört med vad som är tillgängligt nu, vilket i huvudsak beror på slumpen - en patient tar ett läkemedel, börjar ta en till och får sedan huvudvärk eller värre. Det finns cirka 1000 olika kända biverkningar och 5, 000 läkemedel på marknaden, vilket ger nästan 125 miljarder möjliga biverkningar mellan alla möjliga läkemedelspar. De flesta av dessa har aldrig ordinerats tillsammans, än mindre systematiskt studerat.

Men, Zitnik, Agrawal och Leskovec insåg att de kunde komma runt det problemet genom att studera hur droger påverkar det underliggande cellulära maskineriet i vår kropp. De komponerade ett enormt nätverk som beskrev hur de mer än 19, 000 proteiner i våra kroppar interagerar med varandra och hur olika läkemedel påverkar dessa proteiner. Genom att använda mer än 4 miljoner kända samband mellan läkemedel och biverkningar, teamet designade sedan en metod för att identifiera mönster i hur biverkningar uppstår baserat på hur läkemedel riktar sig mot olika proteiner.

Att göra det, teamet vände sig till djup inlärning, en sorts artificiell intelligens modellerad efter hjärnan. I huvudsak, djupinlärning tittar på komplexa data och utdrag från dem abstrakt, ibland kontraintuitiva mönster i data. I detta fall, forskarna designade sitt system för att härleda mönster om läkemedelsinteraktionsbiverkningar och förutsäga tidigare osynliga konsekvenser av att ta två läkemedel tillsammans.

Förutsäga komplikationer

Bara för att Decagon hittade ett mönster gör det inte nödvändigtvis verkligt, så gruppen tittade för att se om dess förutsägelser gick i uppfyllelse, och i många fall, dom gjorde. Till exempel, det fanns ingen indikation i teamets data på att kombinationen av atorvastatin, ett kolesterolläkemedel, och amlopidin, en blodtrycksmedicin, kan leda till muskelinflammation, ändå förutspådde Decagon att det skulle och det var rätt. Även om det inte förekom i de ursprungliga uppgifterna, en fallrapport från 2017 antydde att läkemedelskombinationen hade lett till en farlig sorts muskelinflammation.

Det exemplet föddes också i andra fall. När de sökte i den medicinska litteraturen efter bevis på tio biverkningar som förutspåtts av Decagon men inte i deras ursprungliga data, teamet fann att fem av tio nyligen har bekräftats, ger ytterligare tilltro till Decagons förutsägelser.

"Det var förvånande att proteininteraktionsnätverk avslöjar så mycket om läkemedelsbiverkningar, sa Leskovec, som är medlem i Stanford Bio-X, Stanford Neurosciences Institute och Chan Zuckerberg Biohub.

Just nu, Decagon tar bara hänsyn till biverkningar associerade med par av läkemedel, och i framtiden hoppas teamet utöka sina resultat till att omfatta mer komplexa regimer, sa Leskovec. De hoppas också skapa ett mer användarvänligt verktyg för att ge läkare vägledning om huruvida det är en bra idé att skriva ut ett visst läkemedel till en viss patient och för att hjälpa forskare att utveckla läkemedelsregimer för komplexa sjukdomar med färre biverkningar.

"I dag, läkemedelsbiverkningar upptäcks huvudsakligen av en slump, "Leskovec sa, "och vårt tillvägagångssätt har potential att leda till effektivare och säkrare hälsovård."