Η αναζήτηση της εξατομικευμένης ιατρικής αποτελεί κρίσιμο στόχο στον τομέα της υγειονομικής περίθαλψης τα τελευταία χρόνια. Όμως, μια νέα μελέτη με επικεφαλής το Πανεπιστήμιο Γέιλ, κατέδειξε ότι τα μαθηματικά μοντέλα που είναι σήμερα διαθέσιμα για την πρόβλεψη των θεραπειών έχουν περιορισμένη αποτελεσματικότητα.
Κάνοντας ανάλυση κλινικών δοκιμών για πολλαπλές θεραπείες σχιζοφρένειας, οι ερευνητές διαπίστωσαν ότι οι μαθηματικοί αλγόριθμοι ήταν σε θέση να προβλέψουν τα αποτελέσματα των ασθενών που συμμετείχαν στις συγκεκριμένες δοκιμές, αλλά απέτυχαν να λειτουργήσουν για ασθενείς που συμμετείχαν σε διαφορετικές δοκιμές.
Η σχιζοφρένεια, μια σύνθετη εγκεφαλική διαταραχή που επηρεάζει περίπου το 1% του πληθυσμού των ΗΠΑ, δείχνει την ανάγκη για πιο εξατομικευμένες θεραπείες, σημειώνουν οι ερευνητές. Ωστόσο, έως και το 50% των ασθενών που διαγιγνώσκονται με σχιζοφρένεια αποτυγχάνουν να ανταποκριθούν στο πρώτο αντιψυχωσικό φάρμακο που συνταγογραφείται και είναι αδύνατον να προβλεφθεί ποιοι ασθενείς θα ανταποκριθούν στις θεραπείες και ποιοι όχι.
Λόγω του υψηλού κόστους διεξαγωγής των κλινικών δοκιμών, οι περισσότεροι αλγόριθμοι αναπτύσσονται και δοκιμάζονται με τη χρήση μιας μόνο κλινικής δοκιμής και οι ερευνητές εκτιμούσαν ότι οι αλγόριθμοι αυτοί θα λειτουργούσαν αν δοκιμάζονταν σε ασθενείς με παρόμοιο προφίλ που λάμβαναν παρόμοιες θεραπείες. Όμως, στην περίπτωση αυτή δεν είχαν αποτέλεσμα.
Οι ερευνητές ελπίζουν ότι οι νέες τεχνολογίες που χρησιμοποιούν τη μηχανική μάθηση και την τεχνητή νοημοσύνη μπορεί να αποδώσουν αλγόριθμους που θα προβλέπουν καλύτερα ποιες θεραπείες θα αποδώσουν σε διαφορετικούς ασθενείς και θα βοηθήσουν στη βελτίωση των αποτελεσμάτων και στη μείωση του κόστους της περίθαλψης.
Η έρευνα δημοσιεύεται στο περιοδικό Science.
ΑΠΕ-ΜΠΕ
