机器之心转载

编辑：文龙

科学家开发了一种机器学习方法，可以处理大量数据来帮助确定哪些现有药物可以对没有处方的疾病产生治疗作用？

这项工作的目的是加速药物的重新定位。药物搬迁并不是一个新概念。我们现在知道可以减少皱纹出现的肉毒杆菌注射剂最初被批准用于治疗眼睛，但现在它也可用于治疗偏头痛。

然而，要获得这些新用途，通常需要进行低概率、耗时且昂贵的随机临床试验（RCT），以确保其被认为是治疗其他疾病的有效药物.

俄亥俄州立大学的研究人员创建了一个框架，该框架将大量与患者治疗相关的数据与强大的计算能力相结合，以推导出重新利用的候选药物和这些发现。药物对一组预定结果的估计影响。

虽然本研究的重点是为预防冠心病患者的心力衰竭和中风而提出的药物重新定位，但该框架是灵活的，可适用于大多数疾病。

俄亥俄州立大学计算机科学与工程和生物医学信息学助理教授张平（音译）说：“这项工作向我们展示了如何使用人工智能来测试患者并加快实验速度。假设是生成，临床试验速度加快。但药物决定仍将由临床医生做出，因此医生不会被取代。”

药物搬迁是一项有吸引力的工作，因为它可以降低与新药安全性测试相关的风险，并大大减少药物投入临床使用所需的时间。

药物重定位总流程图

张和他的团队开发了一个高通量计算药物重定位流程框架：给定一个疾病患者队列（如冠心病患者），提取潜在药物成分列表，以及确定每个成分对应的用户队列和非用户队列。然后，计算两个子队列中所有患者的大量特征（干扰因素）和疾病进展结果，然后利用深度学习框架校正干扰和选择偏差，以评估治疗效果。具有有益效果和统计学意义的药物成分将被视为重新定位的候选药物，并被推荐用于治疗冠心病。

“我们提供了一个有效且易于定制的框架，该框架使用真实数据的回顾性分析来生成和测试多个重新定位的候选药物。基于复杂的因果推理和深度学习方法，我们的框架可以模拟随机存在于大型医疗索赔数据库中的药物临床试验。”

Zhang 指出，随机临床试验是确定药物对疾病有效性的金标准，但机器学习可以解释成百上千的个体在大量人群中存在差异，这些差异可能会影响药物在个人体内的作用方式。年龄、性别、疾病严重程度的种族以及是否存在其他疾病等因素都将作为基于深度学习算法的框架中的参数。

这些信息来自“真实证据”，它由通过电子病历或保险索赔和处方数据捕获的数百万患者纵向观察数据组成。

“现实世界的数据中有很多干扰因素，这就是为什么我们必须引入可以处理多个参数的深度学习算法。”张教授表示，他是医学人工智能实验室的负责人，也是俄亥俄州立大学转化数据分析研究所的核心成员。 “如果我们有成百上千的干??扰因素，那么没有人能与之合作。因此，我们必须使用人工智能来解决问题。”

一种用于预测治疗概率（也称为倾向评分）的深度学习模型，用于校正时间序列数据（包括诊断 dt、处方 pt 和人口统计 bt）引起的干扰。注意机制增强了模型的可解释性。它由三个主要组件组成：嵌入模块、循环神经网络（LSTM 和注意力机制）和预测模块。

Zhang 说：“我们是第一个引入深度学习算法来处理现实世界数据、控制多种干扰因素和模拟临床试验的团队。”

研究团队使用了近 120 万心脏病患者的保险索赔数据，这些数据提供了有关他们指定的治疗、治疗结果以及潜在混杂因素的各种值的信息。深度学习算法还能够考虑每个患者在每次就诊、处方和诊断测试中的经历中的时间流逝。药物的模型输入基于其活性成分。

为了分析，该模型跟踪了一名患者两年，并比较了患者的疾病状态、是否服用了任何药物、服用了什么药物以及何时开始治疗。

张说：“通过因果推断，我们可以解决多重治疗的问题。我们没有回答药物A或药物B对这种疾病是否有效，但我们必须弄清楚哪种治疗方法更好”。

该模型产生了九种被认为可以提供治疗的药物，其中三种目前正在使用中，这意味着分析确定了六种重新定位的候选药物。此外，分析还表明，用于治疗抑郁症和焦虑症的糖尿病药物二甲双胍和艾司西酞普兰可以降低模型患者发生心力衰竭或中风的风险。他们目前正在测试这两种药物对心脏病的影响。

文章来源：《药品评价》 网址: http://www.yppjzzs.cn/zonghexinwen/2021/0627/1959.html