FÁRMACOS RESUMEN
ESTADÍSTICA PARA LA VIDA
Desde tiempos ancestrales, el ser humano se encuentra en una búsqueda permanente
de la curación de sus enfermedades, desde el inicio de la civilización, en que sus
males eran atribuidos a seres malignos y hechos mágicos. En nuestros días, utilizamos
las herramientas que la ciencia y la tecnología para la cura de enfermedades.
Hasta la primera mitad del siglo pasado, el hombre utilizó remedios que, en su gran
mayoría, no alteraban de forma importante los mecanismos fisiológicos.
Posteriormente la medicina cambió, introduciendo una inmensa gama de
medicamentos, capaces de modificar de manera favorable el curso de las
enfermedades y la aparición de síntomas y signos. El papel de los
medicamentos en las sociedades actuales es tan relevante que hoy en día, la industria
farmacéutica es una de las más dinámicas e importantes para la economía mundial.
Ante este panorama, cada medicamento desarrollado debe seguir un minucioso
proceso de pruebas para el aseguramiento de la eficacia del mismo, no sólo en
términos de su calidad farmacéutica, sino también en función de la gravedad de los
efectos secundarios y de las reacciones que estos puedan provocar en el ser humano.
Sin embargo, en la prescripción médica la indicación de uso de un solo
medicamento es inusual, por lo general un paciente debe administrarse dos o más. Es
por ello que los desarrolladores de medicamentos deben realizar también pruebas de
combinaciones de estos, de modo que sea posible evitar una interacción
medicamentosa que afecte de manera negativa al paciente, ya sea por inhibición de
los efectos de uno de ellos, la generación de efectos adversos o el aumento de
toxicidad de alguna de las sustancias activas.Pirámide de Hynes
Las fuentes de información biomédicas (incluyendo lo referente a medicamentos)
pueden clasificarse mediante el modelo piramidal.
El modelo de Haynes es el más aceptado para la clasificación de fuentes de
información relacionadas con la biomedicina. En él se pueden diferenciar cinco
niveles que a continuación se describen brevemente.
Estudios. Representan las fuentes primarias, incluyen los artículos biomédicos
originales.
Síntesis. Incluyen recursos que indexan y publican revisiones sistemáticas y
metaanálisis.
Sinopsis. Comprenden resúmenes estructurados de artículos originales, así como
boletines e informes de evaluación de medicamentos elaborados por
comunidades autónomas, hospitales y agencias reguladoras.
Compendios. Incluyen revisiones sistemáticas y resúmenes sobre patologías o
tratamientos determinados, constituyen las fuentes que eran clasificadas en la
forma clásica como secundarias.
Sistemas. Aquí se incluyen aplicaciones de cómputo auxiliares en la toma de
decisiones, como bases de datos y sistemas de evaluación automatizados.
2.1 Principales fuentes de información sobre medicamentos
Como parte del proceso de investigación comprendido en el presente trabajo, se
identificaron tres principales fuentes de información referentes a medicamentos. Estas
fuentes fueron elegidas por ser las más aceptadas en el campo de la investigación
biomédica.Un esfuerzo importante lo representa el Corpus Drug-Drug Interactions. Fue
desarrollado a partir de una colección de textos médicos en los cuales figuran las
diversas interacciones medicamentosas, incluso las que no han sido probadas por la
ciencia médica, con su catalogación de certeza. Entre las fuentes de información
biomédica utilizadas en el desarrollo de dicho corpus, se encuentra la base de datos
Micromedex. Este trabajo genera las bases para realizar métodos de explotación de
dicha información mediante la aplicación de técnicas de tratamiento de texto.
Un método de identificación de interacciones mediante la utilización de un corpus
permitirá establecer la probabilidad de que esta se presente en un paciente, antes de
que los medicamentos implicados sean prescritos, evitando así incomodidades y
reacciones no deseadas en seres humanos.Naïve Bayes
Es un clasificador probabilístico basado en el Teorema de Bayes, enunciado por
Thomas Bayes. Básicamente, este teorema relaciona la probabilidad de un evento A
dado B con la probabilidad del evento B dado A.
La fórmula del Teorema de Bayes es:
Es importante recordar la siguiente definición de la probabilidad condicional:
El método de Naïve Bayes usa frecuencias para calcular probabilidades
condicionales con el fin de realizar predicciones sobre nuevas instancias del problema.
Un clasificador de este tipo puede ser tanto descriptivo como predictivo. A
continuación se formalizará la definición del clasificador Naïve Bayes.
Dados los eventos E y F.
EF y EFC
son mutuamente excluyentes, por lo tanto:
Lo que la ecuación (4) pone de manifiesto es que la probabilidad de E es una
ponderación de su probabilidad condicional dada la ocurrencia y la no ocurrencia de F.
Ahora, se supone que los eventos F1, F2, ...,Fn son mutuamente excluyentes, lo que se
puede expresa
Para todo i de 1 a n, son mutuamente excluyentes, se infiere que:
De esta forma, la ecuación (5) muestra que, para los eventos F1, F2, ...,Fn, de los
cuales puede darse la ocurrencia de uno y solamente uno, se establece que la
probabilidad de E es igual al promedio de las ponderaciones de P(E|Fi).
La suposición de que los eventos son mutuamente excluyentes es la que da origen
al nombre de Naïve (ingenuo), ya que esto no siempre sucede. A pesar de ello, el
método ha sido implementado con buenos resultados, por lo que es uno de los
clasificadores más aceptados.
Identificación probabilística de interacciones medicamento
4.3. Support vector machines
Las Máquinas de Soporte Vectorial o Support Vector Machines (SVM) son un
conjunto de algoritmos cuya técnica se basa en el aprendizaje de dos categorías
distintas de entrada. Dado que el objetivo es clasificar instancias en una sola
categoría, con la descripción proporcionada por los datos elabora una frontera de
decisión alrededor de los datos de aprendizaje, para luego buscar la separación
máxima entre categorías. De esta forma se divide al espacio muestral en categorías
distintas.
En la Fig. 3, se muestra un ejemplo del funcionamiento de SVM. En él, se
representan los datos en el plano xy. El algoritmo intentará encontrar un hiperplano de
dimensión 1 que constituye el límite que separa las dos categorías existentes. La
posición de una nueva instancia a un lado u otro de este hiperplano determinará la
pertenencia de dicha instancia a la categoría específica correspondiente.
Como se puede observar, existe un número infinito de hiperplanos posibles que
dividan las instancias en dos categorías, por lo que debe encontrarse el mejor de ellos.
Para esto, el algoritmo elige el hiperplano cuyo margen de separación entre las
instancias de ambas categorías sea el máximo, es decir, existirán dos líneas paralelas
al hiperplano que indicarán la distancia con las instancias de cada categoría. A estas
líneas se les llama vectores de soporte.
Comentarios
Publicar un comentario