logo SBA

ETD

Archivio digitale delle tesi discusse presso l’Università di Pisa

Tesi etd-09252026-140626


Tipo di tesi
Tesi di specializzazione (4 anni)
Autore
GUGLIELMI, GIORGIO
URN
etd-09252026-140626
Titolo
NUOVO MODELLO DI MACHINE LEARNING PREDITTIVO DI INTERAZIONE TRA FARMACI
Dipartimento
RICERCA TRASLAZIONALE E DELLE NUOVE TECNOLOGIE IN MEDICINA E CHIRURGIA
Corso di studi
FARMACOLOGIA E TOSSICOLOGIA CLINICA (non medici)
Relatori
.
relatore Prof. Fogli, Stefano
Parole chiave
  • intelligenza artificiale
  • interazione tra farmaci
  • machine learning
Data inizio appello
04/11/2026
Consultabilità
Non consultabile
Data di rilascio
04/11/2029
Riassunto (Inglese)
Riassunto (Italiano)
L’ampia disponibilità di classi di farmaci nella pratica clinica e la conseguente politerapia amplificano il potenziale di interazione farmaco-farmaco, comportando un aumento del rischio di perdita di efficacia e/o di insorgenza di reazioni avverse ( ADRs, adverse drug reactions). Nonostante la presenza di studi in vitro, in vivo e clinici, in cui si delineano gli aspetti farmacocinetici e farmacodinamici che definiscono il profilo di sicurezza del farmaco prima dell’autorizzazione in commercio, il potenziale di interazione non sempre viene evidenziato. Per questo motivo esistono dei supporti informatici definiti come drug interactions checker in cui, inserendo i nomi dei farmaci in esame, evidenziano con colori semaforici se l’interazione è nulla (verde) moderata (arancio) o forte (rossa). Questo sistema è utile per evidenziare la possibilità di interazione tra farmaci, ma non è completo, in quanto l’interazione per avere delle conseguenze cliniche deve avere una rilevanza, una probabilità di evento e una gravità. Queste ultime tre informazioni devono essere prese in esame e rielaborate in modo da supportare il clinico nella scelta terapeutica. L’avvento dell’intelligenza artificiale e in particolare, di alcuni modelli informatici di machine learning come il random forest che incrociano le caratteristiche farmacologiche dei farmaci, potrebbe aiutare a predire l’evento di interazione definendo una probabilità del rischio clinico. Lo scopo di questo studio è lo sviluppo di un modello random forest in cui sono state definite le caratteristiche farmacocinetiche come il metabolismo di alcuni farmaci e la loro farmacodinamica come il prolungamento del tratto Qt, al fine di ottenere un dato numerico che identifica una probabilità del rischio potenziale di interazione tra farmaci (classificazione statistica predittiva) . Questo valore, insieme alla gravità e alla rilevanza, può essere elaborato da un farmacologo al fine di rendere una consulenza farmacologica precisa e utile alle richieste del clinico, avvicinandosi sempre di più al concetto di medicina di precisione.
File