ensayos clínicos
in

Mitigar los efectos del sesgo de género en los ensayos clínicos.

Créditos de las imagenes: Omer Hacohen by Technion Spokesperson.

Investigadores de Israel han desarrollado una tecnología que rectifica los efectos de la infra-representación de las mujeres en los ensayos clínicos sobre los modelos de aprendizaje automático.

El desarrollo de fármacos y otros tratamientos médicos suele comenzar con la investigación básica, seguida de experimentos en el laboratorio, ensayos preclínicos y, finalmente, ensayos clínicos que confirman tanto la eficacia del tratamiento en humanos como su seguridad.

Los ensayos clínicos son procesos largos y costosos que sellan el destino del tratamiento propuesto, ya sea que reciba la aprobación de la FDA u otras autoridades o sea rechazado.

Como resultado, juegan un papel central y crítico en el desarrollo de tratamientos médicos.

Un nuevo artículo describe un sesgo específico que afecta la implementación de los hallazgos de estos ensayos: subrepresentación de mujeres en muchos ensayos clínicos.

El artículo, que se publicó en el Journal of the American Medical Informatics Association (JAMIA), describe este sesgo y presenta una herramienta especial que puede ayudar a compensar esta brecha de género, mejorando así los tratamientos médicos para las mujeres.

Según Shunit Agmon, quien realizó la investigación junto con la Dra. Kira Radinsky, “hoy en día, sabemos que diferentes grupos de población reaccionan de manera diferente a un tratamiento dado; en particular, las mujeres pueden tener una reacción diferente que los hombres a un tratamiento.

Por ejemplo, Zolpidem, un fármaco que se utiliza para tratar los problemas del sueño, se elimina más lentamente en las mujeres y, por lo tanto, es importante prescribir una dosis más pequeña para las mujeres que para los hombres, lo que se descubrió solo después de que el fármaco se lanzó al mercado.

La sobre-presentación de las mujeres en los ensayos clínicos crea un sesgo problemático que perjudica la calidad de la atención médica de las mujeres, incluidas las enfermedades mal diagnosticadas y las reacciones adversas a los medicamentos.

El sesgo de género en los ensayos clínicos no es nuevo y, de hecho, ha empeorado después de eventos traumáticos, incluido el asunto de la talidomida, un medicamento que causó numerosos defectos de nacimiento cuando se prescribió a mujeres embarazadas para aliviar las náuseas matutinas.

Ese trágico episodio, que tuvo lugar a principios de la década de 1960, condujo a una drástica disminución de las mujeres participantes en los ensayos clínicos.

En 1993, se aprobaron leyes en los Estados Unidos que ordenaban la inclusión de mujeres en estos ensayos y el análisis de los resultados con respecto al género.

Sin embargo, la subre-presentación femenina siguió siendo un fenómeno frecuente, especialmente en los ensayos que tuvieron lugar antes de 1993.

Agmon señala que otros grupos de población también están sub-representados, incluidos ciertos grupos de edad, grupos étnicos y otros grupos demográficos.

En algunos casos, también hay una sub-representación de los hombres, como en el caso de enfermedades que se consideran más “femeninas”, como la fibromialgia.

En los últimos años, los modelos de aprendizaje automático se han introducido en el mundo de la medicina, con el objetivo de mejorar el diagnóstico médico, el tratamiento y la prevención.

Sin embargo, Agmon afirma que «muchos de estos modelos se basan en ensayos sesgados y, por lo tanto, ‘heredan’ sus sesgos y, en algunos casos, incluso los amplifican».

Los investigadores exploraron este problema utilizando herramientas de aprendizaje automático, incluida la programación de lenguaje natural (NLP) y la representación vectorial de palabras (incrustaciones de palabras), enfoques que permiten a las computadoras «comprender» textos.

Utilizaron estos métodos en 16.772 artículos de la base de datos PubMed y asignaron a cada uno un «peso» basado en el porcentaje de mujeres en los ensayos clínicos descritos en cada artículo.

De esta manera, desarrollaron una herramienta algorítmica que permite el uso sensible al género de la literatura clínica.

Este algoritmo corrige el sesgo de género y mejora la idoneidad de los tratamientos para pacientes mujeres.

El algoritmo logró mejorar sustancialmente las predicciones para mujeres en diversas situaciones, incluida la duración de la hospitalización, la rehospitalización dentro de un mes y la correlación entre varias enfermedades.

Aunque el modelo se centró en mejorar las predicciones para las mujeres, también mejoró significativamente las predicciones clínicas generales (también para los hombres).

Los investigadores esperan que el artículo de JAMIA aumente la conciencia sobre los problemas de la subrepresentación en la investigación en general y en los ensayos clínicos en particular y conduzca a soluciones adicionales para mejorar la calidad de la medicina personalizada.

 

Quieres conocer mas tecnología israelí?

Si respondiste “si” Sumanos también en Twitter.