药物重定位新框架，人工智能使「旧药新用」研究取得进展

这项工作的目的是加速药物的重新定位。药物重定位并不是一个新的概念，我们现在所熟知的用于减少皱纹出现的肉毒杆菌注射液，最初是被批准用于眼睛的治疗，现也可用于治疗偏头痛。

但是，要获得这些新用途，通常需要进行低概率、耗时且昂贵的随机临床试验（randomized clinical trial , RCT），以确保其被认为是一种可用于治疗其他疾病的有效药物。

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治疗相关的数据集与强大的计算功能相结合，从而得出经过重新调整用途的候选药物以及这些现有药物对一组预定结果的估计效果。

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定位，但该框架具有灵活性，可以应用于大多数疾病。

俄亥俄州立大学的计算机科学与工程学和生物医学信息学助理教授张平（音译）说：「这项工作为我们展示了如何利用人工智能对患者进行药物测试、加快实验假设的产生以及加快临床试验的速度。但是药物决策仍将由临床医生做出，因此医生不会被替代」。

药物重定位是一项有吸引力的工作，因为它可以降低新药物安全性测试的相关风险，大大减少将药物投入临床使用所需的时间。

药物重定位总流程图

张和他的团队开发了一个高通量的计算药物重定位的流程框架：给定一个疾病患者队列（例如冠心病患者），提取潜在的用药成分清单，并针对每种成分确定相应的使用者队列和非使用者队列。然后，计算两个子队列中所有患者的大量特征（干扰因素）以及疾病进展结果，再使用深度学习框架校正干扰和选择偏见得到治疗效果的评估。具有有益作用和统计学意义的药物成分将被视为重新定位的候选药物，并建议用于治疗冠心病。

「我们提供了一个有效且易于定制的框架，该框架使用真实数据的回顾性分析来生成和测试多个重新定位的候选药物。基于完善的因果推理和深度学习方法，我们的框架可对大型医疗索赔数据库中存在的药物进行随机临床试验仿真。」

张指出，随机临床试验是确定药物对疾病的有效性的金标准，但是机器学习可以解释大量人群中数百或数千个个体的差异，这些差异可能会影响药物在个体体内的工作方式。年龄、性别、种族到疾病的严重程度以及其他疾病的存在等因素都将在基于深度学习算法的框架中充当参数。

这些信息来自于「真实证据」，由数以百万计的通过电子医疗记录或保险理赔和处方数据捕获到的患者的纵向观测数据组成。

「现实世界的数据中有许多干扰因素，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，也是俄亥俄州立大学转换数据分析研究所的核心成员。「如果我们有成百上千的干扰因素，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」。

用于预测治疗概率（也称为倾向评分，propensity score）的深度学习模型，该模型用于纠正时间序列数据（包括诊断 dt、处方 pt 和人口统计学 bt）造成的干扰，Attention 机制增强模型的可解释性。它由三个主要组件组成：嵌入模块（Embedding module）、递归神经网络（LSTM & Attention mechanism）和预测模块（Prediction module）。

张说：「我们是第一个引入深度学习算法来处理现实世界数据、控制多个干扰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索赔数据，这些数据提供了有关他们被分配的治疗方法、治疗结果以及潜在干扰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，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，我们可以解决多次治疗的问题。我们没有回答药物 A 或药物 B 是否对这种疾病有效，但要弄清楚哪种治疗方法效果更好」。

该模型产生了九种被认为可以提供治疗的药物，其中三种目前正在使用中，这意味着该分析确定了六种重新定位的候选药物。除此之外，该分析还表明，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以降低模型患者心衰或中风的风险。他们目前正在测试这两种药物对心脏病的功效。

张博士强调，与他们在此案例研究中的发现相比，他们是如何得到这一结果的更为重要。

他说：「我的动力是与其他专家一起，为当前没有任何治疗方案的疾病寻找有效药物。这非常灵活，我们可以根据具体情况进行调整。如果你可以对疾病的结果进行定义，那么该模型可以应用于任何疾病」。

参考链接：https://techxplore.com/news/2021-01-artificial-intelligence-medications.html