科学家们开发了一种机器学习方法，该方法可以处理大量数据，以帮助确定哪些现有药物可以改善未开处方的疾病的疗效。这项工作的目的是加快药物再利用的步伐，这不是一个新概念-想想肉毒杆菌注射液，最初被批准用于治疗双眼，现在是偏头痛治疗和顶级美容策略，以减少皱纹的出现。

但是，要获得这些新用途，通常需要进行偶然性，耗时且昂贵的随机临床试验，以确保被认为对一种疾病有效的药物可用于治疗其他疾病。

俄亥俄州立大学的研究人员创建了一个框架，该框架将庞大的患者护理相关数据集与强大的计算功能相结合，从而得出了经过重新调整用途的候选药物以及这些现有药物对确定结果集的估计效果。

尽管这项研究的重点是为预防冠心病患者心力衰竭和中风而提议的药物重新用途，但该框架具有灵活性，可以应用于大多数疾病。

高级作者，计算机科学与工程学和生物医学信息学助理教授张平说：“这项工作表明了如何利用人工智能对患者进行药物测试，并加快假设的产生并可能加快临床试验的速度。”在俄亥俄州立大学。“但是我们永远不会取代医生-药物决策将始终由临床医生做出。”

这项研究今天发表在《自然机器智能》上。

重新调整药物用途是一项有吸引力的追求，因为它可以降低与新药安全性测试相关的风险，并大大减少将药物投入临床使用所需的时间。

随机临床试验是确定药物对疾病的有效性的金标准，但是Zhang指出，机器学习可以解释大量人群中数百或数千个人类差异，这可能会影响药物在体内的工作方式。这些因素或混杂因素，从年龄，性别和种族到疾病的严重程度以及其他疾病的存在，在该框架所基于的深度学习计算机算法中充当参数。

该信息来自“现实证据”，这是关于通过电子医疗记录或保险索赔和处方数据捕获的数百万患者的纵向观察数据。

张博士说：“现实世界的数据有这么多混杂因素。这就是我们必须引入能够处理多个参数的深度学习算法的原因。”张教授说，他是医学人工智能实验室的负责人，也是转化实验室的核心成员。俄亥俄州立大学数据分析研究所。“如果我们有成百上千的混杂因素，那么没有人可以与之合作。因此，我们必须使用人工智能来解决问题。

张说：“我们是第一个介绍使用深度学习算法来处理现实世界数据，控制多个混杂因素并模拟临床试验的团队。”

该研究小组使用了近120万心脏病患者的保险理赔数据，这些数据提供了有关他们指定的治疗方法，疾病结局以及潜在混杂因素的各种价值的信息。深度学习算法还具有在每次就诊，处方和诊断测试中考虑每位患者经验中时间流逝的能力。药物的模型输入基于其有效成分。

为了进行分析，研究人员应用了所谓的因果推理理论，对将在临床试验中发现的活性药物和安慰剂患者进行了分类。该模型跟踪了两年的患者，并比较了该患者的疾病状况，是否服药，服用了哪些药物以及何时开始治疗。

张说：“通过因果推论，我们可以解决多种治疗方法的问题。我们没有回答药物A或药物B是否对这种疾病有效，而是弄清楚哪种治疗方法效果更好。”

他们的假设：该模型将识别可降低冠心病患者心力衰竭和中风风险的药物。

该模型产生了九种可能被认为可以提供这些治疗益处的药物，其中三种目前正在使用中-意味着该分析确定了六种候选药物用于再利用。除其他发现外，分析还表明，用于治疗抑郁症和焦虑症的糖尿病药物，二甲双胍和依他普仑可降低模型患者的心力衰竭和中风风险。事实证明，目前正在测试这两种药物对心脏病的功效。

张强调，该团队在此案例研究中发现的内容并不比他们到达那里的方式重要。

他说：“我的动机是与其他专家一起运用这种方法来寻找无需任何当前治疗方法即可治疗疾病的药物。这非常灵活，我们可以根据具体情况进行调整。” 如果您可以定义疾病的结果，那么该通用模型可以应用于任何疾病。”

标签： 人工智能