I farmaci sono testati per lo più nel genere maschile e questo porta a un errore di fondo nella registrazione degli effetti collaterali sulle femmine. Un algoritmo è in grado di identificarli
AwareDX (Analysing Women At Risk for Experiencing Drug toXicity): questo il nome dell’algoritmo di apprendimento automatico (machine learning) che identifica e predice le differenze negli effetti collaterali causati dall’assunzione di farmaci tra maschi e femmine. L’algoritmo, che è stato “istruito” grazie a 50 anni di dati raccolti dalla Food and Drug Administration (FDA) statunitense, è in grado di correggere automaticamente gli errori che derivano dalla sovrarappresentazione dei soggetti di sesso maschile nelle sperimentazioni cliniche. Lo studio, condotto alla Columbia University di New York, è stato pubblicato a settembre sulla rivista Patterns del gruppo Cell Press.
Un farmaco, prima di essere messo in commercio, è sottoposto a studi preclinici (in vitro e su modelli animali) e, successivamente, a studi clinici sull’essere umano. Lo scopo di questo complesso procedimento è quello di valutare l’efficacia e la sicurezza del medicinale. Tuttavia, gli studi clinici escludono generalmente alcune fasce di popolazione – bambini e anziani – e ne penalizzano altre, tra cui la popolazione di sesso femminile e le persone con pluripatologie o che assumono più farmaci contemporaneamente. Storicamente, infatti, gli studi clinici non includevano soggetti di sesso femminile, ma si basavano su gruppi di ragazzi o uomini, causando così una carenza di informazioni sulle altre fasce di popolazione. Proprio per questo, il monitoraggio successivo alla commercializzazione, la cosiddetta farmacovigilanza, è stato ed è fondamentale per “rilevare potenziali segnali di allarme relativi all’uso dei medicinali così da renderli più sicuri, a beneficio di tutti i pazienti”, come è scritto sul sito dell’Agenzia Italiana del Farmaco (AIFA). Il metodo utilizzato è la segnalazione spontanea di sospette reazioni avverse, cioè di effetti nocivi e non voluti, all’autorità regolatrice (l’AIFA in Italia).
Le differenze nella metabolizzazione dei farmaci in relazione al sesso non sono ancora comprese a fondo: le persone di sesso femminile, infatti, impiegano più tempo per metabolizzare i farmaci e hanno un maggior rischio di sviluppare reazioni avverse rispetto a quelle di sesso maschile. I dati clinici a disposizione permettono però di stimare gli effetti anche sulla popolazione femminile perché va ricordato che, pur essendo meno rappresentate negli studi clinici, circa metà della popolazione mondiale è di sesso femminile. Di conseguenza, è facile comprendere l’importanza di avere a disposizione uno strumento in grado di aiutarci a correggere questi errori intrinseci del processo di studio e commercializzazione di un farmaco. Inoltre, se un medico si basa sui dati ottenuti dalle sperimentazioni cliniche, probabilmente potrebbe non conoscere la differenza nel prescrivere il medicinale a un uomo o a una donna. Tutto ciò ha delle conseguenze: in primis sulla salute dei pazienti, ma anche sulle linee guida per la prescrizione e sulle strategie di marketing e vendita del prodotto.
Payal Chandak e Nicholas Tattonetti, ricercatori della Columbia University, hanno sviluppato AwareDX, un algoritmo di machine learning che può identificare e predire le differenze negli eventi avversi dei farmaci tra maschi e femmine. Questo permette di adattare automaticamente le informazioni disponibili sulle reazioni avverse, cosa che richiederebbe uno sforzo enorme se dovesse essere fatto manualmente. "L'apprendimento automatico è sicuramente una parola d'ordine, ma essenzialmente l'idea è quella di correggere questi pregiudizi prima di fare qualsiasi altra analisi statistica, costruendo un sottoinsieme equilibrato di pazienti con parti uguali uomini e donne per ogni farmaco", ha affermato Payal Chandak, informatico biomedico e coautore dello studio.
L'algoritmo utilizza i dati dell'FDA Adverse Event Reporting System (FAERS), che contiene segnalazioni di effetti avversi dei farmaci da parte dei pazienti, fornitori di assistenza sanitaria e produttori di farmaci dal 1968. AwareDX raggruppa i dati in sottoinsiemi equilibrati in base al sesso prima di cercare modelli e tendenze. Per migliorare i risultati, l'algoritmo ripete poi l'intero processo 25 volte. I ricercatori hanno elencato i risultati in una banca di oltre 20.000 potenziali effetti di farmaci specifici per il sesso, che possono poi essere verificati guardando i dati più vecchi o conducendo nuovi studi in seguito. Anche se c'è ancora molto lavoro da fare, i ricercatori hanno già avuto successo nel verificare i risultati di diversi farmaci sulla base di precedenti ricerche genetiche: un esempio è il caso del gene ABCB1, più attivo negli uomini, che influisce sulla quantità di un farmaco utilizzabile dall'organismo e per quanto tempo.
Interessante è lo sfruttamento di un database di eventi avversi, sviluppato grazie ai dati raccolti dalla FDA, ma anche la dimostrazione che per alcuni di questi eventi c'è una conoscenza preesistente delle differenze genetiche tra maschi e femmine. Usando questa conoscenza, i ricercatori sono stati effettivamente capaci di prevedere diverse risposte che soggetti di sesso diverso dovrebbero avere, convalidando il metodo. L’obiettivo è quello di continuare ad approfondire e a verificare i risultati, in modo da aiutare i medici a prescrivere farmaci con una maggiore consapevolezza del rischio di effetti collaterali.
Per concludere, l’uso del machine learning in processi decisionali e nell’estrapolazione di informazioni è sempre più diffuso, accompagnato da riflessioni e considerazioni su molteplici aspetti tra cui quelli legati a privacy, bioetica, errori e molto altro ancora. Sono necessari studi approfonditi per risolvere le problematiche esistenti e poter applicare questi strumenti a diversi ambiti in modo consapevole e responsabile, in modo da trarne il massimo beneficio.
