Einleitung: Die Funktionalität von Enzymen kann durch genetische Alterationen – vor allem Einzelnukleotid-Polymorphismen (SNPs, engl. Single Nucleotide Polymorphisms) – und andere Faktoren variieren. Die Prämisse der personalisierten Pharmakotherapie ist, den Metabolismus von Pharmaka für jede*n Patient*in individuell zu betrachten. Durch Zuhilfenahme patient*innenspezifischer Daten (SNPs, Laborparameter, Lebensgewohnheiten, laufende Pharmakotherapien) und deren Auswertung mittels künstlicher Intelligenz (KI) kann eine optimierte Medikamentenauswahl getroffen werden, wodurch Drug-Drug-Gene Interactions (DDGIs) reduziert und unerwünschte Arzneimittelwirkungen (UAWs) vermieden werden können. Dadurch kann letztlich eine bessere Behandlungsqualität erreicht werden. Studienziel: Ziel der vorgelegten Arbeit war es aus einer breiten Auswahl von Medikamenten diejenigen Medikamentenklassen herauszufiltern, die vermehrt Medikamente enthalten, deren Einnahme ein besonders hohes Risiko von DDGIs birgt. Innerhalb dieser Medikamentenklassen sollten dann Ranglisten der Medikamente erstellt werden, um die unterschiedlichen Risikoprofile der einzelnen Medikamente anhand einer Übersichtsgrafik untereinander vergleichen zu können. Diese Übersicht soll praktizierende Ärzt*innen bei der Auswahl von Medikamenten unterstützen, wenn keine patient*innenspezifische (Metabolismus-)Daten vorhanden sind. Methodik: Der Metabolismus von 633 Medikamenten aus 85 Medikamentenklassen wurde für 184 kaukasische Patient*innen evaluiert, wobei mithilfe der Drug-PIN®-Software patient*innenspezifische DDGI-Profile erstellt wurden. Jedes Medikament wurde hinsichtlich des Risikos für UAWs bzw. des therapeutischen Effekts für jede*n Patient*in entweder als „verwendbar“, „nicht zu präferieren“ oder „nicht zu empfehlen“ eingestuft und für jede der drei Kategorien eine Matrix erstellt. Die Medikamentenklassen wurden anschließend innerhalb der Kategorien miteinander verglichen, um letztlich zu evaluieren, in welchen Medikamentenklassen für eine hohe Anzahl an Pati-ent*innen viele Medikamente als „nicht zu präferieren“ oder „nicht zu empfehlen“ eingestuft wurden. Innerhalb dieser als kritisch identifizierten Medikamentenklassen wurde weiter untersucht, welche Medikamente wie häufig als „nicht zu empfehlen“ eingestuft wurden. Auf Basis der Ergebnisse wurden Ranglisten für die verschiedenen Medikamentenklassen erstellt und in einer Übersichtgrafik zusammengefasst. Ergebnisse: Von den anfangs eingeschlossenen 633 Medikamenten aus 85 Medikamentenklassen flossen aufgrund unzureichender Datenlagen letztlich noch 281 Medikamente aus 34 Medikamentenklassen in die Ergebnisse ein. Als kritische Medikamentenklassen stellten sich Selektive Serotonin- bzw. Serotonin-Noradrenalin Wiederaufnahmehemmer (SSRIs/SNRIs), Protonenpumpeninhibitoren (PPIs), Nichtsteroidale Antirheumatika (NSARs), Cyclooxygenase-2 (COX-2) - Inhibitoren, H2-Antagonisten und AT1-Antagonisten heraus. PPIs und SSRIs/SNRIs zeigten dabei die höchsten Risikoprofile. Die Ergebnisse für die einzelnen Medikamente variierten auch innerhalb der Medikamentenklassen stark. Schlussfolgerung: DDGIs sind häufig vorkommende Ereignisse bei gängig verabreichten Medikamenten. Durch die Individualisierung der Pharmakotherapien kann das Auftreten von DDGIs reduziert und bessere Therapieergebnisse erreicht werden.
Introduction: The functionality of enzymes can vary due to genetic alterations (especially Single Nucleotide Polymorphisms; SNPs) and other factors. The premise of personalized pharmacotherapy is to consider the metabolism of drugs individually for each patient. By using patient-specific data (SNPs, laboratory parameters, lifestyle habits, current pharmacotherapies) and evaluating them with Artificial Intelligence (AI), an optimized drug selection can be made, whereby Drug-Drug-Gene Interactions (DDGIs) can be reduced and adverse drug reactions (ADRs) can be avoided, leading to a better quality of treatment. Aim of the study: The aim of the work presented was to filter out those drug classes from a broad selection of drugs that contain a high number of drugs whose use carries a particularly high risk of DDGIs. Within these drug classes, ranking lists should be compiled, which, on the basis of an overview, would allow to compare the different risk profiles of the individual drugs among each other. This overview should support practicing physicians in the selection of medications when no patient-specific (metabolism-)data are available. Methodology: The metabolism of 633 drugs from 85 drug classes was evaluated for 184 Caucasian patients, using the Drug-PIN® software to create patient-specific DDGI profiles. Each drug was categorized for each patient as either 'usable', 'non-preferable' or 'not recommended' and a matrix was created for each of the three categories. The drug classes were further compared with each other within the categories in order to finally evaluate in which drug classes many drugs were classified as ‘non-preferable’ or ‘not recommended’ for a high number of patients. Within those drug classes - that were declared as critical - it was further examined which specific drugs were how often classified as ‘not recommended’. Consequently, a ranking was created and displayed as an overview graph. Results: Of the 633 drugs from 85 drug classes initially considered, only 281 drugs from 34 drug classes were ultimately included in the results due to insufficient data. The critical drug classes were Selective serotonin reuptake inhibitors/ Serotonin–norepinephrine reuptake inhibitor (SSRIs/SNRIs), Proton-pump inhibitors (PPIs), Non-steroidal anti-inflammatory drugs (NSAIDs), Cyclooxygenase (COX) -2 inhibitors, H2 antagonists and Angiotensin II receptor blockers (ARBs). PPIs and SSRIs/SNRIs showed the highest risk profiles. The results for the individual drugs also varied strongly within the drug classes. Conclusion: DDGIs are frequently occurring events with commonly administered drugs. The occurrence of DDGIs can be reduced and better therapy results can be achieved by individualizing pharmacotherapies.
