Predicting Novel Drug-drug Interactions based on structured knowledge in combination with text mining approaches

Molto spesso le persone in cura presso gli ospedali possono soffrire di strani effetti collaterali di cui non si conosce minimamente l’origine. In alcuni casi questo può derivare da una sbagliata prescrizione di medicinali al paziente. Ben noto nella medicina sono gli effetti che una medicina può causare somministrata con un altra allo stesso tempo. Quello che non si conosce, è il risultato di una somministrazione multipla, ovvero quando più medicinali vengono somministrati contemporaneamente. Il problema che vogliamo affrontare in questa tesi è quello di capire se sia possibile usare le informazioni che abbiamo sulle interazioni tra due medicine, e cercare di costruire un calssificatore in grado di predirre interazioni tra più medicine nel caso in cui queste possano portare ad effetti collaterali. Alla base di questo procedimento si trovano le informazioni che chiamer- emo pair information, ovvero quelle riguardanti due medicine. Date queste proveremo ad estendere il concetto ad interazioni multiple di medicine. Come punto di partenza per la ricerca è stata scelta una lista di 77 medicine candidate, le più prescritte durante lo scorso anno in Germania. Come vedremo successivamente sono state utilizzate fonti di dati strut- turati e non per cercare di dare maggiore significato di quello che già posse- diamo per quanto riguarda le pair interaction. Come vedremo dalla valutazione, la combinazione di elementi derivanti dal text mining e dati fortemente non strutturati, con elementi invece strut- turati e verificati può portare risultati davvero interessanti.