English
Evaluación de la coadministración en el tratamiento de pacientes con SARS-CoV-2 y los medicamentos para tratar comorbilidades mediante redes neuronales artificiales
Barra lateral del artículo
Contenido principal del artículo
Resumen
El objetivo de este trabajo es desarrollar una herramienta de soporte a la decisión clínica para evaluar el resultado de la interacción de los medicamentos utilizados para tratar el SARS- CoV-2 y la coadministración de medicamentos para tratar comorbilidades.
Se utilizan redes neuronales (RNs) para realizar la predicción de los resultados de la interacción de medicamentos. El modelo ha sido desarrollado utilizando una red neuronal artificial del tipo PNN (Red neuronal probabilística) /GRNN (Red neuronal de regresión general). Una vez que la red neuronal artificial fue entrenada, probada y validada, se obtuvo un coeficiente de determinación del 82.79%, con lo que se pueden tener predicciones buenas y rápidas para conocer el resultado de la interacción de medicamentos específicos para el SARS- CoV-2 con otros fármacos para tratar diferentes enfermedades.
Para el entrenamiento de la RN se utilizó una base de datos, considerando nueve fármacos para tratar el SARS- CoV-2 y 10 categorías de medicamentos para tratar otros tipos de padecimientos. En la literatura existen estudios que demuestran la importancia de la correcta coadministración de medicamentos. Sin embargo, no existen, actualmente, herramientas que integren el uso de redes neuronales y el nuevo conocimiento obtenido de las respuestas ante las interacciones entre fármacos, que pueden ser utilizados de primera mano por los especialistas en el tratamiento disminuyendo con el riego de dicha interacción. Por ello, este trabajo pretende abordar esta brecha en el conocimiento. Este sistema puede ser utilizado como una herramienta de apoyo a la decisión, para evaluar y seleccionar entre el mejor tratamiento a utilizar en un paciente con SARS- CoV-2, y evitar complicaciones por la interacción negativa que puede provocar con otros medicamentos.
Downloads
Detalles del artículo
Sección
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Esta revista se encuentra bajo la licencia de Creative Commons, por tanto, los autores, al postular su artículo, lo adhieren a dicha licencia.El autor puede disponer de su artículo para su archivo en repositorios institucionales o en páginas web personales, con la referencia y agradecimientos a la fuente donde se ha publicado.
Cómo citar
Referencias
Awortwe, C. y Cascorbi, I. (2020). Meta-analysis on outcome-worsening comorbidities of COVID-19 and related potential drug-drug interactions. Pharmacological Research, 161. https://doi.org/10.1016/j.phrs.2020.105250
Aggarwal, C. (2018). Neural Networks and Deep Learning. Springer.
Beck, B. R.; Shin, B.; Choi, Y.; Park, S. y Kang, K. (2020). Predicting commercially available antiviral drugs that may act on the novel coronavirus (2019-nCoV), Wuhan, China through a drug-target interaction deep learning model. bioRxiv, 18, 784-790. https://doi.org/10.1101/2020.01.31.929547
Capra, R., De Rossi, N., Mattioli, F., Romanelli, G., Scarpazza, C., Pia Sormani, M., y Cossi, S. (2020). Impact of low dose tocilizumab on mortality rate in patients with COVID-19. European Journal of Internal Medicine, 76, 31-35. https://doi.org/10.1016/j.ejim.2020.05.009
Cheng, C.-Y., Lee, Y.-L., Chen, C.-P., Lin, Y.-C., Liu, C.-E., Liao, C.-H., y Cheng, S.-H. (2020). Lopinavir/ritonavir did not shorten the duration of SARS CoV-2 shedding in patients with mild pneumonia in Taiwan. Journal of Microbiology, Immunology and Infection, 53, 488-492. https://doi.org/10.1016/j.jmii.2020.03.032
Cortegiani, A., Ingoglia, G., Ippolito, M., Giarratano, A. y Einav, S. (2020). A systematic review on the efficacy and safety of chloroquine for the treatment of COVID-19. Journal of Critical Care, 57, 279-283. https://doi.org/10.1016/J.JCRC.2020.03.005
Gallardo, M. d., y Ávila, R. Á. (2008). Artificial intelligence applied to medicine: prospects and problems. ACIMED, 17(5). Recuperado el 24 de 07 de 2020, de http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1024-94352008000500005&lng=es&tlng=es.
GNS, H. S., GR, S., Murahari, M., y Krishnamurthy, M. (2019). An update on Drug Repurposing: Re-written saga of the drug’s fate. Biomedicine & Pharmacotherapy, 110, 700-716. https://doi.org/10.1016/j.biopha.2018.11.127
Hassan, A., Shahin, I., y Alsabek, M. B. (2020, November). COVID-19 detection system using recurrent neural networks. In 2020 International conference on communications, computing, cybersecurity, and informatics (CCCI) (pp. 1-5). IEEE.
Imran, A., Posokhova, I., Qureshi, H. N., Masood, U., Riaz, S., Ali, K., . . . Nabeel, M. (2020). AI4COVID-19: AI enabled preliminary diagnosis for COVID-19 from cough samples via an app. Informatics in Medicine Unlocked. https://doi.org/10.1016/j.imu.2020.100378
Javier Trujillano, J. M. (2004). Aproximación metodológica al uso de redes neuronales artificiales para la predicción de resultados en medicina. Medicina Clínica, 122, 59-67. https://www.elsevier.es/es-revista-medicina-clinica-2-articulo-aproximacion-metodologica-al-uso-redes-13057536
Kubat, M. (2017). Artificial neural networks. In An Introduction to Machine Learning. Springer.
Liverpool University. (2020). COVID-19 Drug Interactions. Obtenido de https://www.covid19-druginteractions.org/checker
Liu, C., Zoph, B., Neumann, M., Shlens, J., Hua, W., Li, L. J., ... y Murphy, K. (2018). Progressive neural architecture search. In Proceedings of the European conference on computer vision (ECCV) (pp. 19-34).
Luo, R., Tian, F., Qin, T., Chen, E., y Liu, T. Y. (2018). Neural architecture optimization. Advances in neural information processing systems, 31.
Manic, G., Obrist, F., Kroemer, G., Vitale, I., y Galluzzi, L. (2014). Chloroquine and hydroxychloroquine for cancer therapy. Molecular & cellular oncology. https://doi.org/10.4161/mco.29911
Mohanty, S., Rashid, M. H., Mridul, M., Mohanty, C., y Swayamsiddha, S. (2020). Application of Artificial Intelligence in COVID-19 drug repurposing. Diabetes & Metabolic Syndrome: Clinical Research & Reviews, (14), 1027-1031. https://doi.org/10.1016/j.dsx.2020.06.068
Narin, A., Kaya, C., y Pamuk, Z. (2021). Automatic detection of coronavirus disease (covid-19) using x-ray images and deep convolutional neural networks. Pattern Analysis and Applications, 24, 1207-1220.
Pilkington, V., Toby, P., y Andrew, H. (2020). A review of the safety of favipiravir – a potential treatment in the COVID-19 pandemic? Journal of Virus Eradication 6(2), 44-51. https://doi.org/10.1016/S2055-6640(20)30016-9
Quesada-Varela, V., Avila-Tomás, J., y Mayer-Pujadas, M. (2020). Artificial intelligence and its applications in medicine I: introductory background to AI and robotics. Atención primaria 52(10), 778-774. https://doi.org/10.1016/j.aprim.2020.04.013
Reyna, J. (2020). El SARS-CoV-2,una nueva zoonosis pandémica que amenaza al mundo. Vacunas, 21(1), 17-22. https://doi.org/10.1016/j.vacun.2020.03.001
S. Khalili, J., Zhu, H., Amanda Mak, N. S., Yan, Y., y Zhu, Y. (2020). Novel coronavirus treatment with ribavirin: Groundwork for an evaluation concerning COVID‐19. Journal of Medical Virology 92(7), 740–746. https://doi.org/10.1002/jmv.25798
Sallard, E., Lescure, F.-X., Yazdanpanah, Y., Mentre, F., y Peiffer-Smadja, N. (2020). Type 1 interferons as a potential treatment against COVID-19. Antiviral Research, 178. https://doi.org/10.1016/j.antiviral.2020.104791
Schrezenmeier, E., y Dörner, T. (2020). Mechanisms of action of hydroxychloroquine and chloroquine: implications for rheumatology. Nature Reviews Rheumatology, 16, 155-166. https://doi.org/10.1038/s41584-020-0372-x
Singh, A. K., Singh, A., Singh, R., y Misra, A. (2020). Remdesivir in COVID-19: A critical review of pharmacology, pre-clinical and clinical studies. Diabetes & Metabolic Syndrome: Clinical Research & Reviews, 14(4), 641-648. https://doi.org/10.1016/j.dsx.2020.05.018
Specht, D. F. (1990). Probabilistic Neural Networks. Neural Networks, 3(1), 109-118. https://doi.org/10.1016/0893-6080(90)90049-Q
Specht, D. F. (1991). A General Regression Neural Network. IEEE Transactions on Neural Networks, 2(6), 568-576.
Suárez, V., Suárez Quezada, M., Oros Ruiz, S., y Ronquillo De Jesús, E. (2020). Epidemiología de COVID-19 en México: del 27 de febrero al 30 de abril de 2020. Revista Clínica Española 220(8), 463-471. https://doi.org/10.1016/j.rce.2020.05.007
Trilla, A. (2020). Un mundo, una salud: la epidemia por el nuevo coronavirus COVID-19. Medicina Clínica, 154(5), 175-177. https://doi.org/10.1016/j.medcli.2020.02.002
Wang, M., Cao, R., Zhang, L., Yang, X., Liu, J., y Xu, M. (2020). Remdesivir and chloroquine effectively inhibit the recently. Cell Research, 30, 269-271. https://doi.org/10.1038/S41422-020-0282-0
Yu, W.-L., Toh, H., Liao, C.-T., y Chang, W.-T. (2020). A Double-Edged Sword—Cardiovascular Concerns of Potential Anti-COVID-19 Drugs. Cardiovascular Drugs and Therapy, 35, 205-214. https://doi.org/10.1007/S10557-020-07024-7