使用人工智能为现有药物寻找新用途

科学家们开发了一种机器学习方法，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结果。这项工作的目的是加速药物再利用，这不是一个新概念——想想肉毒杆菌注射，最初被批准用于治疗交叉眼，现在是偏头痛治疗和减少皱纹出现的顶级美容策略。

但是，获得这些新用途通常涉及偶然性和耗时且昂贵的随机临床试验的混合，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高性能计算相结合，以得出重新利用的候选药物以及这些现有药物对一组既定结果的估计影响。

虽然这项研究的重点是提议重新利用药物来预防冠状动脉疾病患者的心力衰竭和中风，但该框架是灵活的——可以应用于大多数疾病。

“这项工作展示了人工智能如何用于在患者身上‘测试’药物，并加速假设的产生，并有可能加速临床试验，”资深作者、计算机科学与工程和生物医学信息学助理教授张平说。在俄亥俄州。“但我们永远不会取代医生——药物决定将始终由临床医生做出。”

该研究发表在NatureMachineIntelligence上。

药物再利用是一项有吸引力的追求，因为它可以降低与新药物安全性测试相关的风险，并大大减少将药物推向市场以供临床使用所需的时间。

随机临床试验是确定药物对疾病有效性的黄金标准，但张指出，机器学习可以解释大量人群中成百上千的人类差异，这些差异可能会影响药物在体内的作用。这些因素或混杂因素，从年龄、性别和种族到疾病严重程度和其他疾病的存在，在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“真实世界证据”，即通过电子病历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。

“现实世界的数据有很多混杂因素。这就是我们必须引入可以处理多个参数的深度学习算法的原因，”领导医学实验室人工智能并且是俄亥俄州立大学转化数据分析研究所核心教员的张说。“如果我们有成百上千的混杂因素，任何人都无法处理。所以我们必须用人工智能来解决这个问题。

“我们是第一个引入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。”

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、疾病结果和潜在混杂因素的各种价值的信息。深度学习算法还能够将每个患者经历中的时间流逝考虑在内——每次就诊、处方和诊断测试。药物的模型输入基于其活性成分。

应用所谓的因果推理理论，研究人员将在临床试验中发现的活性药物和安慰剂患者组进行分类，以便进行分析。该模型跟踪患者两年，并将他们在该终点的疾病状态与他们是否服用药物、服用哪些药物以及何时开始治疗进行比较。

“通过因果推断，我们可以解决多次治疗的问题。我们不回答药物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会有更好的效果，”张说。

他们的假设是：该模型将识别出可以降低冠状动脉疾病患者心力衰竭和中风风险的药物。

该模型产生了九种被认为可能提供这些治疗益处的药物，其中三种目前正在使用——这意味着分析确定了六种药物再利用的候选药物。除其他发现外，该分析表明，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以降低模型患者人群中心力衰竭和中风的风险。事实证明，目前正在测试这两种药物对心脏病的有效性。

张强调，团队在本案例研究中的发现并不重要，重要的是他们是如何到达那里的。

“我的动机是与其他专家一起应用这一点，为目前没有任何治疗方法的疾病寻找药物。这非常灵活，我们可以根据具体情况进行调整，”他说。“如果您可以定义疾病结果，那么通用模型可以应用于任何疾病。”