Gálvez C

Idioma: Español
Referencias bibliográficas: 20
Paginas: 154-167
Archivo PDF: 871.41 Kb.

RESUMEN

En este trabajo se propone una aproximación para la identificación y la predicción de interacciones farmacológicas en la literatura biomédica mediante el uso de medidas de centralidad. Las interacciones farmacológicas están provocadas por alteraciones del efecto de un fármaco. Los especialistas en salud cuentan con bases de datos farmacológicas en las que se proporciona información sobre dichas interacciones. Sin embargo, la cobertura de dichas bases de datos es limitada. Por tanto, la literatura biomédica sigue siendo la fuente de información científica por excelencia. El método utilizado para la identificación de tales interacciones se ha basado en análisis de redes y técnicas de visualización de la información. Partiendo de un conjunto de fármacos extraídos de la base de datos MEDLINE, aplicamos las métricas de grado, cercanía e intermediación para clasificar los fármacos en la red. Los resultados a los que se ha llegado muestran que la centralidad de intermediación constituye la medida más adecuada para identificar y predecir nuevas interacciones. La conclusión es que las interacciones farmacológicas, descubiertas con el procedimiento propuesto, podrían ser buenas candidatas para posteriores análisis experimentales en los que se comprobara su relevancia clínica. Además, este mismo procedimiento se podría utilizar en los procesos de curación de contenido en las bases de datos farmacológicas.

REFERENCIAS (EN ESTE ARTÍCULO)

1. Stockley I. Interacciones Farmacológicas. Barcelona: Pharma Editores; 2004.

2. Amariles P, Giraldo NA, Faus MJ. Interacciones medicamentosas: aproximación para establecer y evaluar su relevancia clínica. Med Clín. 2007;129(1):27-35.

3. Rodríguez-Terol A, Santos-Ramos B, Caraballo-Camacho M, Ollero-Baturone M. Relevancia clínica de las interacciones medicamentosas. Med Clín. 2008;130(19):758-59.

4. Hansten PD, Horn JR. Drug interactions: analysis and management. St Louis: Facts and Comparisons; 2007.

5. Lacy CF, Armstrong LL, Goldman MP, Lance LL. Drug information handbook with international trade names index. Lexi-Comp Inc.; 2007.

6. Medscape. Drug Interaction Checker. 2015 [citado 20 de octubre de 2015]. Disponible en: http://reference.medscape.com/drug-interactionchecker

7. Thomson Micromedex. Drug Information for the Health Care Professional. 2007 [citado 20 de octubre de 2015]. Disponible en: http://micromedex.com/training

8. Girona L. Interacciones farmacológicas. Pharmaceutical Care España. 2013;15(3):105.

9. Gálvez C. Reconocimiento y anotación de nombres de fármacos genéricos en la literatura biomédica. Rev Cubana Inform Cienc Sal. 2012;23(4):326-45.

10. Minh VL, McCart GM, Tsourounis C. An assessment of free, online drug -drug interaction screening programs (DSP). Hospital Pharmacy. 2003;38(7):662-8.

11. MEDLINE. EE.UU. Nacional Library of Medicine. 2015 [citado 20 de octubre de 2015]. Disponible en: https://www.nlm.nih.gov

12. Wasserman S, Faust K. Social network analysis: Methods and applications. New York: Cambridge University Press; 1994.

13. Freeman LC. A set of measures of centrality based on betweenness. Sociometry. 1997;40:35-41.

14. Hanneman RA, Riddle M. Introduction to social network methods. Riverside: University of California Press; 2005.

15. Newman MEJ. The structure and function of complex networks. SIAM Review. 2003;45:167-256.

16. Freeman LC. Centrality in social networks: conceptual clarification. Social Networks. 1979;1:215-39.

17. Bastian M, Heymann S, Jacomy M. Gephi: an open source software for exploring and manipulating networks. ICWSM. 2009;6:361-2.

18. Van Eck NJ, Waltman L. Software survey: VOSviewer, a computer program for bibliometric mapping. Scientometrics. 2010;84(2):523-38.

19. Waltman L, Van Eck NJ, Noyons ECM. A unified approach to mapping and clustering of bibliometric networks. J Informetr. 2010;4(4):629-35.

20. Everitt B. Cluster Analysis. New York: Halsted Press; 1980.