摩臣2娱乐注册中心:AI模拟超大尺寸临床试验，使
像新药的开发和开发一样，发现旧药物的新使用也是药品研究人员和制药制造商的作品之一。在目前，新的旧药物发现方法大多是发现或临床试验的。最近，俄亥俄州立大学的研究人员通过自定义深度学习框架进行了深入学习的框架，以对“现实世界数据（RWD）进行回顾性分析”进行回顾性分析。为了模拟该药物的临床试验，它提供了新的。旧药物的方式。
1月4日，通过模拟现实世界中的临床试验，“自然机器智能”通过模拟临床试验，该研究发表了“通过模拟典型Trild患者数据进行药物重新利用的深度学习框架”的主题发表。
尽管这项研究是对心力衰竭和中风患者提出的旧药物的新用途，但张平告诉DeepTech，该框架具有很高的灵活性，可以在大多数疾病研究中应用于大多数疾病研究。本质“该框架可用于寻找可能的新牙冠肺炎药物，但是当这项研究正在进行时，它仍处于新皇冠爆炸的早期阶段，数据不足以支持它。”
使用深度学习框架分析数据并模拟药物的临床试验
目前，新药通常需要意外的药物测试，但是这项随机临床试验不仅是时间耗尽，而且还昂贵。根据MedicineNet信息，在美国，一种药物需要从实验室研究到市场应用的多层次和严格测试。平均而言，此过程为12年。
在此过程中，随机临床试验是确定药物有效性的黄金标准。与其他旧药物和新的研究方法相比，可以将新的深度学习方法理解为药物的临床试验，以模拟药物的临床试验，并通过监测患者的方法和药物后的疾病发展。张平说，基于RWD的深度学习框架可以有效地克服数据中的各种干扰变量，并在旧药物与新适用疾病之间建立联系。
具体而言，根据临床试验的想法，他们开发了一组高通量计算框架，以筛选适用的疾病，即现有药物尚未发现以实现新的旧药物的“移动”系列找到旧药物。优越的。
在测试临床临床的症状和作用中。在最近发表的本文中，以冠状动脉疾病（CAD）为例。监测Dodigors和非供应商，以观察患有不同药物的患者的药物和疾病的发育。
图｜我找到了用于新药的计算框架
以最近的研究论文为例摩臣2娱乐注册中心，张平和他的合作者将发现目标超级尺度计算和分析。
众所周知，CAD可能导致心力衰竭和临床中风。例如，患者采取了这样的条件，即CAD尚未指示的药物有所改善。 “ CAD）”可能性。
首先，为了确保尽可能多的产出结果的可信度，他们从2012 - 2017年的MarketScan商业索赔数据中获得了约1.07亿患者的物理健康数据，作为整体计算分析。数据包括门诊药物，住院和门诊服务，涵盖患者的访问/咨询时间，药物清单和剂量。为了实现发现新的CAD药物治疗的目标，张宁和其他人筛选了约117.9万CAD患者，以进行进一步的“监测”。他们从这些样本数据中提取患有CAD患者的患者的记录，并根据临床试验的分析方法分为每个候选者的分析方法：实验组 - 即那些服用候选药物的CAD患者，对照组 - 身体的身体基本情况相似，但没有服用候选药物（但服用了其他一些其他药物）患者。
图模拟临床试验中的实验组和对照组
在这项研究中，他们选择了55种由CAD患者服用的非疗法CAD药物作为“旧药物和新的”候选者进行分析。在筛选参加“临床试验”的CAD患者之后，将55例患者服用的药物作为候选药物输入上述计算框架。接下来，开始监测服用候选药物和对照组患者的患者的发展，包括患者观察到的初始疾病状况，是否被服用，服用哪些药物以及何时开始治疗。模拟了中药的临床试验。
由Zhang Ping设计的深度学习框架计算，心力衰竭，中风或温和症状的患者将作为结果输出，这是旧药物的新“种子玩家”。
该文章的结果表明，张平和他的合作者观察到55种候选药物中有9种对患者疾病具有有益的作用。值得注意的是，在目前因治疗而闻名的四种CAD药物中，他们筛选的9种药物包含3种。
图｜候选药物显示CAD效果
为了验证其他六名CAD治疗的候选人尚未指定CAD是否有效，张ping及其合作者已经进行了进一步的分析。他们使用用户的加权平均值和非用户观察结果（平均治疗效果）来衡量CAD候选药物的有效性。根据该定义，少于0的药物被认为对相应的疾病具有改善作用，即没有表现出心力衰竭或中风症状或症状的患者比没有服用药物的患者更轻；疾病恶化大于0。从上图可以看出，有9个小于0。其中，未用来治疗该疾病的药物被标记为蓝色，已知药物是红色的。这显示了张平的思维框架的可行性。
此外，他们还通过分析目前用于治疗糖尿病和药物治疗抑郁症和焦虑的药物的结论，根据减少CAD患者心力衰竭和中风的风险。目前，研究人员正在进一步测试这两种药物在CAD上的功效。
找到旧药物的新结果是可靠的，但也有缺点
上述研究已经确认了深度学习框架方法的可用性。与传统的旧药物和新的使用方法相比，有意外性和高初步测试成本。这种新方法具有其自身的优势，但并非没有缺陷。
尽管与传统细胞或动物的传统测试方法相比，基于RWD的深度学习研究获得的结果直接从人类环境中完成，从而消除了药物适应性的验证过程。通过深度学习框架，通过深度学习框架的框架通过嵌入模块，递归神经网络和预测模块分析了影响功效的所有参数。
图｜嘈杂因素纯化处理
但是，张平还说，尽管深度学习方法看起来很完美，但现实中存在一些不可避免的问题。因为现实可能不会如数据显示。 “例如，患者可能不会根据剂量服用药物，即使他们将药物收回，也根本没有食用。”此时，无法将深度学习方法与实际临床试验进行比较。在实际的临床试验中，至少在这方面，准确控制患者的药物和剂量
但是，这个深度学习框架的方法还为发现旧药物的发现提供了新的方法。张平说：“我们是开发深度学习来制作旧医学新研究团队的第一种方法。”
使用AI模拟临床试验，这些试验是由计算机学生和药品工厂碰撞而产生的
张平是本文论文通讯的作者，是他杰作的计算机方向。机器学习是他的主要过程，数据挖掘是他的研究方向。谈论与旧药物的新接触实际上是一个巧合。
张平在阅读期间是旧药物的新使用。在完成华盛科技大学的研究和掌握后，张平在天浦大学开始了他的博士生职业。在机会期间，他去了一家制药公司的Grandulsk（GSK）实习。它也在gsk中。当使用机器学习方法解决该问题时，张ping与旧药物和使用接触。他回忆说：“那是大约10年前。当时，深度学习尚未开始流行。”与RWD的接触是在IBM T.J.沃森研究中心。在此期间，张平后来在药物发现和患者安全的项目中使用了几项AI研究。
图｜张平
但是，在他去俄亥俄州立大学之后，关于RWD和深度学习的新使用和深度学习的研究。 “实际上，俄亥俄州立大学还拥有出色的医学院和工程学院。从完全不同的角度来看，这里的丰富数据资源是对旧药物进行新研究的机会。”
2019年初，张平（Zhang Ping）加入了俄亥俄州立大学生物医学信息和计算机科学与工程系生物医学和计算机科学与工程系的双雇教授。他领导的医疗人工智能实验室针对。实际上，实验室的名称也具有特殊的含义。 “针对中文的目标可以是专门的，并且目标是我们的小组致力于AI算法，目标是解决上述各种难题的药物（医学）也是一种语言的含义。”目前，瞄准实验室主要进行三个主要方向研究：首先，本文中提到的新提到的新药用于协助药物研发人员，制药工厂旧医学新药新药，新药物新药，新药物，新药物，新药物，新药物，新药物，新药物，新药，新药物新药物，新药物新药物，用于药品的新药物。使用筛选；第二个是帮助医生进行基于AI的医学诊断；第三是使用AI帮助放射科医生解释医学图像。
谈到该研究论文的杰作刘·鲁奇（Liu Ruoqi）时，张平告诉DeepTech：“当她完成这项研究时，博士是一年级，这是一个很好的结果。”此外，他还提到：“这些学生非常艰难，就在进入学校后不久，我们赶上了流行病。我们不能回到学校，交流是在线的。”大学。现在，他是俄亥俄州立大学计算机科学与工程系的第二年学生。根据他的个人介绍，这表明她的研究兴趣集中在数据挖掘中，推断推断和在医疗服务中的应用。
图｜Liu Ruoqi
此外，这项研究的重要数据统计数据和结果分析是由俄亥俄州立大学生物医学信息系研究助理教授Wei Lai完成的。 Wei Lai老师还是学校生物统计中心的临床试验总监。他负责建模多个测量值并设计组顺序测试和自适应试验。它重点是重新估计自适应临床试验设计和样本量。
图｜
关于探索深度学习方法在新的旧药物中的探索，张平说：“尽管这次发表的文章仅提到了CAD药物的筛查，但该框架是通用的，可以用于任何一种类型的框架。药物筛查，只需输入相应的症状即可。”
他说，该框架将应用于旧药物和更多真实世界数据的新使用以及目前需要治疗罕见疾病和无法治愈疾病所需的药物的治疗。他希望使用AI方法真正帮助排除医学问题并为医学研究做出贡献，“不仅呆在研究层面上”。
报告/反馈