根據(jù) 4 月 8 日至 13 日舉行的 2022 年 AACR 年會上公布的結(jié)果，來自人工智能模型的初步數(shù)據(jù)可能會預測新聯(lián)合療法產(chǎn)生的副作用。
“臨床醫(yī)生面臨的現(xiàn)實問題是，新的聯(lián)合療法可能導致不可預測的結(jié)果，”該研究的資深作者、阿姆斯特丹癌癥中心副教授 Bart Westerman 博士說。“我們的方法可以幫助我們了解不同藥物的作用與疾病背景之間的關(guān)系。”
許多癌癥類型越來越多地采用聯(lián)合療法進行治療，臨床醫(yī)生試圖通過聯(lián)合療法最大限度地提高療效并最大限度地減少治療抵抗的機會。然而，這種聯(lián)合療法可以一次將多種藥物添加到患者已經(jīng)復雜的藥物清單中。測試新藥或組合的臨床試驗很少考慮患者可能在測試治療方案之外服用的其他藥物。
“尋求治療的患者通常每天使用四到六種藥物，因此很難確定新的聯(lián)合療法是否會危及他們的健康，”韋斯特曼說。“很難評估聯(lián)合療法的積極效果是否能證明其對特定患者的負面副作用是合理的。”
Westerman 及其同事——包括介紹該研究的研究生 Asl? Küçükosmano?lu——試圖使用機器學習來更好地預測新藥組合導致的不良事件。他們從美國食品和藥物管理局不良事件報告系統(tǒng) (FAERS) 收集數(shù)據(jù)，該數(shù)據(jù)庫包含超過 1500 萬條不良事件記錄。他們使用一種稱為降維的方法，將經(jīng)常同時發(fā)生的事件組合在一起，以簡化分析并加強藥物與其副作用之間的關(guān)聯(lián)。
然后，研究人員將數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡算法，這是一種模仿人類大腦在數(shù)據(jù)之間建立關(guān)聯(lián)的方式的機器學習。然后使用個別療法的不良事件來訓練算法，該算法確定了藥物及其副作用之間的共同模式。識別的模式被編碼到所謂的“潛在空間”中，通過將每個不良事件概況表示為 0 到 1 之間的 225 個數(shù)字字符串，可以將其解碼回原始概況，從而簡化計算。
為了測試他們的模型，研究人員向他們的模型提供了未見的聯(lián)合療法不良事件概況，稱為“不良事件圖譜”，以查看它是否可以識別這些新概況并使用潛在空間描述符正確解碼它們。這表明該模型可以識別這些新模式，表明測量的組合曲線可以轉(zhuǎn)換回組合療法中每種藥物的曲線。
韋斯特曼說，這表明聯(lián)合治療的副作用很容易預測。“我們能夠通過潛在空間描述符的簡單代數(shù)計算來確定個體治療效果的總和，”他解釋說。“由于這種方法減少了數(shù)據(jù)中的噪聲，因為該算法經(jīng)過訓練以識別全局模式，因此它可以準確地捕捉到聯(lián)合療法的副作用。”
標簽：
免責聲明：本文由用戶上傳，如有侵權(quán)請聯(lián)系刪除！