使用人工智能為現有藥物尋找新用途

科學家們開發了一種機器學習方法，可以處理大量數據，以幫助確定哪些現有藥物可以改善未開處方的疾病的結果。這項工作的目的是加速藥物再利用，這不是一個新概念——想想肉毒桿菌注射，最初被批準用于治療交叉眼，現在是偏頭痛治療和減少皺紋出現的頂級美容策略。

但是，獲得這些新用途通常涉及偶然性和耗時且昂貴的隨機臨床試驗的混合，以確保被認為對一種疾病有效的藥物可用于治療其他疾病。

俄亥俄州立大學的研究人員創建了一個框架，該框架將龐大的患者護理相關數據集與高性能計算相結合，以得出重新利用的候選藥物以及這些現有藥物對一組既定結果的估計影響。

雖然這項研究的重點是提議重新利用藥物來預防冠狀動脈疾病患者的心力衰竭和中風，但該框架是靈活的——可以應用于大多數疾病。

“這項工作展示了人工智能如何用于在患者身上‘測試’藥物，并加速假設的產生，并有可能加速臨床試驗，”資深作者、計算機科學與工程和生物醫學信息學助理教授張平說。在俄亥俄州。“但我們永遠不會取代醫生——藥物決定將始終由臨床醫生做出。”

該研究發表在NatureMachineIntelligence上。

藥物再利用是一項有吸引力的追求，因為它可以降低與新藥物安全性測試相關的風險，并大大減少將藥物推向市場以供臨床使用所需的時間。

隨機臨床試驗是確定藥物對疾病有效性的黃金標準，但張指出，機器學習可以解釋大量人群中成百上千的人類差異，這些差異可能會影響藥物在體內的作用。這些因素或混雜因素，從年齡、性別和種族到疾病嚴重程度和其他疾病的存在，在框架所基于的深度學習計算機算法中充當參數。

該信息來自“真實世界證據”，即通過電子病歷或保險索賠和處方數據捕獲的數百萬患者的縱向觀察數據。

“現實世界的數據有很多混雜因素。這就是我們必須引入可以處理多個參數的深度學習算法的原因，”領導醫學實驗室人工智能并且是俄亥俄州立大學轉化數據分析研究所核心教員的張說。“如果我們有成百上千的混雜因素，任何人都無法處理。所以我們必須用人工智能來解決這個問題。

“我們是第一個引入使用深度學習算法來處理現實世界數據、控制多個混雜因素并模擬臨床試驗的團隊。”

研究團隊使用了近120萬心臟病患者的保險索賠數據，這些數據提供了有關他們指定的治療、疾病結果和潛在混雜因素的各種價值的信息。深度學習算法還能夠將每個患者經歷中的時間流逝考慮在內——每次就診、處方和診斷測試。藥物的模型輸入基于其活性成分。

應用所謂的因果推理理論，研究人員將在臨床試驗中發現的活性藥物和安慰劑患者組進行分類，以便進行分析。該模型跟蹤患者兩年，并將他們在該終點的疾病狀態與他們是否服用藥物、服用哪些藥物以及何時開始治療進行比較。

“通過因果推斷，我們可以解決多次治療的問題。我們不回答藥物A或藥物B是否對這種疾病有效，而是弄清楚哪種治療方法會有更好的效果，”張說。

他們的假設是：該模型將識別出可以降低冠狀動脈疾病患者心力衰竭和中風風險的藥物。

該模型產生了九種被認為可能提供這些治療益處的藥物，其中三種目前正在使用——這意味著分析確定了六種藥物再利用的候選藥物。除其他發現外，該分析表明，用于治療抑郁癥和焦慮癥的糖尿病藥物二甲雙胍和依他普侖可以降低模型患者人群中心力衰竭和中風的風險。事實證明，目前正在測試這兩種藥物對心臟病的有效性。

張強調，團隊在本案例研究中的發現并不重要，重要的是他們是如何到達那里的。

“我的動機是與其他專家一起應用這一點，為目前沒有任何治療方法的疾病尋找藥物。這非常靈活，我們可以根據具體情況進行調整，”他說。“如果您可以定義疾病結果，那么通用模型可以應用于任何疾病。”