使用AI找到现有药物的新用途

这项工作的意图是加快药物重新施肥，这不是一个新的概念 - 思考肉毒杆菌注射，首先批准治疗越过眼睛，现在偏头痛治疗和顶级化妆品策略，以减少皱纹的外观。

但是，达到那些新用途通常涉及混合偶然和耗时和昂贵的随机临床试验，以确保对一种病症视为有效的药物是对别的的治疗。

俄亥俄州州立大学研究人员创造了一个框架，将巨大的患者护理相关数据集与高功率计算结合起来，以便于重新培养的药物候选人和现有的人的估计效应药物在定义的一组结果上。

虽然这项研究的重点是提出冠状动脉疾病患者预防药物的重新训练，但框架是柔性的 - 并且可以应用于大多数疾病。“这项工作展示了如何人工智能可用于“测试”患者药物，加快假设发电并潜在加快临床试验，“计算机科学与工程助理教授坪章表示生物医学俄亥俄州州的信息学。“但我们永远不会取代医生 - 药物决策将永远是由临床医生制作的。”

药物重估是一种有吸引力的追求，因为它可以降低与新药物安全测试相关的风险，并大大减少将药物进入市场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黄金标准，但张某指出，机器学习可以在大型人口中占数百或数千人的差异，这可能影响医药在身体中的工作原理。这些因素或混淆者，从年龄，性和疾病的严重程度和其他疾病的存在，作为框架基于深度学习计算机算法的参数。

该信息来自“现实世界的证据”，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测数据。

“真实世界的数据有这么多的混乱。这是我们必须介绍能够处理多个参数的深度学习算法的原因，”张某表示，在医学实验室中的人工智能，是翻译中的核心教师俄亥俄州俄亥俄州数据分析研究所。“如果我们有数百或数千个混乱者，没有人能够与之合作。所以我们必须使用人工智能来解决这个问题。

“我们是第一个介绍使用的团队深度学习算法处理真实世界的数据，控制多个混音，并模拟临床试验，“张说。

研究小组使用了关于近120万患者的保险索赔数据，为其分配治疗，疾病结果和各种价值观提供了潜在混淆的信息。深度学习算法也有能力考虑到每位患者体验中的时间流逝 - 对于每次访问，处方和诊断测试。药物的模型输入基于其活性成分。

应用于因因果推理理论，研究人员为该分析，活性药物和安慰剂患者组在临床试验中申请。该模型跟踪患者两年 - 并比较其疾病状况，终点指向他们是否服用药物，他们采取的药物以及当他们开始方案时。

“随着因果推断，我们可以解决具有多种治疗的问题。我们不回答药物A或药物B是否适用于这种疾病，而是省略了哪种治疗将具有更好的性能，”张说。

他们的假设：该模型将识别可能降低心力衰竭风险和冠状动脉疾病患者中风风险的药物。

该模型产生了九种药物，认为可能提供那些治疗益处，其中三个目前正在使用 - 这意味着分析确定了六个候选药物用于药物重新施用。在其他发现中，分析表明，糖尿病药物，二甲双胍和杂志用于治疗抑郁和焦虑，可能降低心力衰竭和模型患者人群中风的风险。事实证明，这两种药物目前正在测试其对心脏病的有效性。

张强调，在这种情况下发现的团队的研究不如他们到达那里的重要性。“我的动机正在与其他专家一起申请这一点，发现没有任何目前治疗的疾病药物。这是非常灵活的，我们可以调整案例，”他说。“如果您可以定义疾病结果，则可以应用于任何疾病的一般模型。”

该研究发表于自然机器智力。