科學家們開發了一種機器學習方法，透過分析大量資料，幫助確定哪些現有藥物可以改善非處方疾病的療效。

這項工作的目的是加快藥物的再利用，這並不是一個新概念——想想肉毒桿菌注射，最初被批准用於治療鬥雞眼，現在是一種偏頭痛治療，是減少皺紋出現的頂級美容策略。

但是，要實現這些新用途，通常需要一些偶然的發現和耗時、昂貴的隨機臨床試驗，以確保一種被認為對一種疾病有效的藥物，在治療其他疾病時也會有用。

俄亥俄州立大學(Ohio State University)的研究人員建立了一個框架，將大量與患者護理相關的資料集與高效能計算結合起來，以得出重新使用的候選藥物和那些現有藥物對一組確定的結果的估計效果。

雖然這項研究的重點是預防冠狀動脈疾病患者心力衰竭和中風的藥物的再利用，但是這個框架是靈活的--可以應用於大多數疾病。

資深作者、俄亥俄州立大學計算機科學與工程及生物醫學資訊學研究所助理教授張說: “這項工作表明，人工智慧可以用來在患者身上‘測試’一種藥物，加快假設的產生，並有可能加快臨床試驗”。“但我們永遠不會取代醫生——藥物決定將永遠由臨床醫生做出”。

這項研究在2021年1月4日發表在《Nature Machine Intelligence》雜誌上。

藥物再利用是一項很有吸引力的追求，因為它可以降低與新藥安全測試相關的風險，並極大地減少一種藥物進入市場用於臨床使用的時間。

隨機臨床試驗是確定藥物治療疾病有效性的黃金標準，但張教授指出，機器學習可以解釋大量人群中數百或數千人的差異，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、種族到疾病嚴重程度和是否存在其他疾病，在框架所基於的深度學習計算機演算法中充當引數。

這些資訊來自“真實證據”，即透過電子醫療記錄、保險索賠和處方資料捕捉到的數百萬患者的縱向觀察資料。

“現實世界的資料有很多令人困惑的因素。這就是我們必須引入深度學習演算法的原因，它可以處理多個引數。”“如果我們有成百上千的混淆物，沒有人能處理它。所以我們必須使用人工智慧來解決這個問題。

研究小組使用了近120萬心臟病患者的保險索賠資料，這些資料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資訊。深度學習演算法還能夠考慮每位患者經歷的時間經歷--包括每次就診、處方和診斷測試。藥物的模型輸入是基於它們的活性成分。

應用所謂的因果推理理論，研究人員根據分析的目的，將臨床試驗中發現的活性藥物和安慰劑患者組進行分類。該模型對患者進行了為期兩年的跟蹤研究，並將他們在終點時的病情狀況與是否服用藥物、服用哪種藥物以及何時開始服藥進行比較。

張教授說：“透過因果推理，我們可以解決多重治療的問題。我們不知道藥物A或藥物B對這種疾病是否有效，但要弄清楚哪種治療方法效果更好”。

他們的假設是: 這個模型可以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9種被認為有可能提供這些治療益處的藥物，其中3種目前正在使用——這意味著該分析確定了6種藥物再利用的候選藥物。在其他研究結果中，分析表明，用於治療抑鬱和焦慮的糖尿病藥物二甲雙胍和艾司西酞普蘭可以降低模型患者人群的心力衰竭和中風風險。事實上，這兩種藥物目前都在測試它們對心臟病的有效性。

這項研究得到了美國推進轉化科學中心的支援，該中心資助了俄亥俄州立大學的臨床和轉化科學中心。

參考資料：

Liu R , Wei L , Zhang P . A deep learning framework for drug repurposing via emulating clinical trials on real-world patient data[J]. Nature Machine Intelligence, 2021:1-8.