РАЗРАБОТКА МОДЕЛИ НА ОСНОВЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ КОМПЛЕКСНОЙ ОЦЕНКИ ВЗАИМОДЕЙСТВИЯ ЛЕКАРСТВЕННЫХ ПРЕПАРАТОВ ПРИ ПОЛИФАРМАКОТЕРАПИИ

Резюме: Современные алгоритмы, основанные на анализе больших данных, позволяют выявить закономерности лекарственных взаимодействий, недоступные традиционным методам математической статистики. Настоящее исследование посвящено методу анализа выявления нежелательных взаимодействий с применением алгоритмов t-SNE для оптимизации результатов поиска. На открытой базе DrugCentral с использованием статистического кластерного анализа были идентифицированы потенциальные риски взаимодействия лекарственных препаратов, используемых в фармакотерапии кардиологических и иммуновоспалительных заболеваний. Благодаря сокращению размерности данных за счёт использования алгоритма t-SNE, был значительно ускорен процесс кластеризации и улучшена визуализация взаимодействий, а также спрогнозированы потенциальные клинически значимые взаимодействия, подтвержденные дальнейшим анализом спектра клинических эффектов отдельных препаратов. Результаты показывают значительное улучшение в выявлении негативных взаимодействий и высокую точность метода, что позволяет рекомендовать данный подход для использования в клинической практике для повышения безопасности при полифармакотерапии.

Ключевые слова: t-SNE, лекарственные препараты, взаимодействие препаратов, статистический анализ, кластерный анализ, оптимизация алгоритмов

A.A. Karandeev, N.A. Yashin, A.A. Petrova, K.A. Atroshkin, N.L. Shimanovsky

DEVELOPMENT OF A MACHINE LEARNING- BASED MODEL FOR A COMPREHENSIVE ASSESSMENT OF POLYPHARMACYINDUCED DRUG-DRUG INTERACTIONS

Summary: Modern algorithms based on Big Data analysis open opportunities to identify drug interactions that are difficult to unveil using only traditional methods of mathematical statistics. This study describes a method of detection of undesirable inter- actions using t-SNE algorithm to optimize search results. Based on the data from the opensource DrugCentral database, using statistical cluster analysis, potential risks of drug interactions used in the pharmacotherapy of cardiac and immune-mediated inflammatory diseases were identified. By reducing the size of the data using the t-SNE algorithm, the clustering process was significantly accelerated and the visualization of interactions was improved. Potential clinically significant interactions were predicted, confirmed by further analysis of the spectrum of clinical effects of individual drugs. The results show a significant improvement in identifying negative interactions and prove high accuracy of the method, which makes it possible to recommend this approach for use in clinical practice to improve safety for patients experiencing polypharmacotherapy.

Keywords: t-SNE, drugs, drug interactions, statistical analysis, cluster analysis, algorithm optimization.

DOI: 10.34219/2306-3645-2024-14-3-40-49