L’intelligenza artificiale (AI) ha svolto un ruolo cruciale nel progresso delle scienze biomediche, ma non ha ancora avuto l’impatto che merita nella scienza regolatoria. Con il progredire del settore, gli approcci in silico e in vitro sono stati valutati come alternative agli studi sugli animali, con l’obiettivo di identificare e mitigare i problemi di sicurezza nelle prime fasi del processo di sviluppo dei farmaci. Sebbene siano disponibili molti strumenti di IA, la loro accettazione nel processo decisionale normativo per la valutazione dell’efficacia e della sicurezza dei farmaci è ancora una sfida.
È percezione comune che un modello di IA migliori con l’aumentare dei dati, ma la realtà riflette questa percezione nella valutazione della sicurezza dei farmaci? È importante che un modello finalizzato all’applicazione normativa prenda in considerazione un’ampia gamma di caratteristiche del modello. Tra queste c’è l’adattabilità, definita come il comportamento adattivo di un modello quando viene riaddestrato su dati non visti. Si tratta di un’importante caratteristica del modello che dovrebbe essere presa in considerazione nelle applicazioni normative.
In questo studio, è stata valutata l’adattabilità dell’IA simulando lo scenario reale dell’introduzione annuale di nuovi farmaci sul mercato, utilizzando un modello da noi precedentemente sviluppato, noto come DeepDILI, per la previsione delle lesioni epatiche indotte da farmaci (DILI) con un nuovo metodo di apprendimento (deep learning). Abbiamo scoperto che il set di test target gioca un ruolo fondamentale nella valutazione del comportamento adattivo del nostro modello. I nostri risultati hanno anche indicato che l’aggiunta di altri farmaci al set di addestramento non influisce significativamente sulle prestazioni predittive del modello. Abbiamo concluso che il quadro di valutazione dell’adattabilità proposto è utile per valutare le prestazioni di un modello nel tempo.
Leggi qui l’articolo completo.
