Análisis de grafos causales de conocimiento identifica efectos adversos de medicamentos

Área de la Ciencia:

• Informática Biomédica
• Inferencia Causal
• Representación del Conocimiento

Sus antecedentes:

• Los grafos de conocimiento biomédico y los modelos causales son valiosos pero están desconectados.
• Los grafos de conocimiento carecen de semántica probabilística; los modelos causales carecen de integración de conocimiento de fondo.

Objetivo del estudio:

• Aprovechar el poder de los grafos de conocimiento para la inferencia causal.
• Desarrollar grafos causales de conocimiento (CKG) para la inferencia causal y la formulación de hipótesis basadas en principios.

Principales métodos:

• Se extendieron los grafos de conocimiento con semántica causal formal, creando grafos causales de conocimiento (CKG).
• Se construyó un CKG de Fármaco-Enfermedad (DD-CKG) que integra vías de enfermedades, indicaciones de fármacos y efectos secundarios.
• Se aplicó el DD-CKG a UK Biobank y MIMIC-IV para el análisis de mediación a gran escala de los efectos de los fármacos.

Principales resultados:

• Los CKG permitieron la eliminación de confusiones y la formulación de hipótesis utilizando el conocimiento de fondo.
• Se reprodujeron con éxito las reacciones adversas a los medicamentos conocidas y se identificaron nuevos efectos candidatos.
• Se mejoró la predicción de indicaciones compartidas de fármacos al combinar los efectos predichos con bases de datos existentes.

Conclusiones:

• Los CKG proporcionan un marco generalizable y dirigido por el conocimiento para la inferencia causal escalable.
• La metodología demuestra relevancia clínica y apoya el análisis de mediación automatizado a gran escala.
• Este enfoque mejora la comprensión de los efectos de los fármacos y la progresión de la enfermedad.