Simple Science

最先端の科学をわかりやすく解説

# 健康科学# 疫学

既存の薬を新しい用途で再評価する

ある研究が既存の薬とAIを使って新しい治療法の可能性を探ろうとしてるんだ。

Shenbo Xu, R.- Cobzaru, S. N. Finkelstein, R. E. Welsch, K. Ng, L. Middleton

― 1 分で読む


古い薬の新しい使い道古い薬の新しい使い道を模索してるんだ。研究が既存の薬を探って新しい治療の可能性
目次

多くの病気、たとえば癌やアルツハイマー、HIVは、治療法が十分にないんだよね。これが新しい薬の需要を高めていて、病気の進行を変えることができる薬が求められてるんだ。新しい治療法の開発は、薬のターゲットが少なかったり、試験のコストや時間がかかるために難しいんだよ。イギリスでは3,000以上の薬が処方されているけど、多くは特定の病気に使われてる。でも、既存の薬を新しい目的や治療法に使うチャンスはあるんだ。

既存薬のモニタリングの重要性

既存の薬の副作用や有害反応(ADR)をモニタリングすることがめっちゃ大事なんだ。イギリスでは、ADRが予想外の入院を引き起こすことがあって、病院のリソースに負担をかけたり、国民保健サービス(NHS)に年間数十億ポンドのコストがかかってる。新しい薬の承認プロセスは厳しいけど、ADRは試験中に小規模だったり、フォローアップが限定的だったりして見つからないことがあるんだ。だから、一般の人に薬が普及した後に多くの未知の副作用が公衆衛生にリスクをもたらすことがあるんだよ。

現在のADR検出方法

今のところ、ADRは患者や医療提供者が薬に対するネガティブな反応を報告する自発的な報告を通じて特定されることが多いんだ。この方法は即時反応には効果的だけど、遅延や珍しい副作用には不十分なんだ。ランダム化臨床試験や自発的報告の限界から、観察研究が薬の安全性モニタリングに不可欠になってきてる。これらの研究は、時間をかけて大規模な患者群を観察し、薬が健康結果にどんな影響を及ぼすかを調べるんだ。

薬の安全性のための縦断的データの使用

電子カルテのような縦断的観察データベースは、患者の治療や健康結果に関する貴重な情報を時間をかけて提供するんだ。これらのデータベースは広範な医療データをキャッチして、研究者が薬と健康結果の潜在的な関連を調査するのを可能にするんだ。最近では、これらのデータベースを使って薬の開発を進めたり、新しい治療オプションを特定したり、病気の原因を探ることに対する関心が高まってるよ。

現在の研究デザインの欠点

以前の研究は特定の結果や薬のクラスに焦点を当てていて、主に米国の行政データを使ってたんだ。でも、電子カルテのような他の観察データのソースはフルに活用されてないんだ。既存の研究は主に関係性を調べるだけで、根本的な原因には触れてないんだよ。さらに、従来の研究デザインは外部のコントロールグループが必要で、交絡因子のせいで分析が複雑になっちゃうことがあるんだ。

新技術の登場

2023年には、人工知能の使用が急増して、特にChatGPTのような言語モデルが注目を集めてるんだ。このモデルは主にテキスト生成のために設計されてるけど、医療分野での応用が期待され始めてる。ただ、薬の安全性モニタリングにおけるAIツールの可能性はまだあまり研究されてないんだ。この研究は、薬と病気の間の可能な関係を特定するために、薬のスクリーニング枠組みでChatGPTを利用することを目指してるんだ。

研究デザインの設定

この研究は、既存の薬を正しい健康効果や副作用を評価する自動システムの構築に焦点を当ててるんだ。患者が特定の薬にどれくらいの期間投与されていたかを正確に測定して、AIを使って関連のない薬と病気のペアを排除することで、新しい治療の可能性と安全性の懸念を見つけようとしてるんだ。

データソースの選定

この研究では、イギリスの何百万もの患者を含む包括的なデータベースである臨床実践研究データリンク(CPRD)を使用してるんだ。このデータベースは診断、処方、医療テストの詳細な記録があり、異なる病気に対する薬の効果を徹底的に調査できるんだ。分析は、1987年から追跡されている患者を考慮して、彼らが亡くなるか、診療所を切り替えるか、システムで最後に記録された時点まで続くんだよ。

投与期間の計算

処方や治療期間に関するデータは、薬の効果を正確に分析するために重要なんだ。この研究では、CPRD内のさまざまなテーブルをリンクさせて、各患者が特定の薬で治療されていた期間を推定するんだ。これには、投与量や処方された数量を調べることも含まれる。データをクリーニングして不整合を解消することで、各処方の投与期間を信頼できる形で作成しようとしてるんだ。

結果の特定

薬がさまざまな病気にどのように影響を与えるかを理解するために、研究者はコーディングシステムを使って特定の疾患を特定するんだ。包括的なアプローチを取ることで、幅広い病気が調査され、薬の効果の理解が深まるんだ。

交絡因子への対処

この研究の大きな課題は、薬が処方される初期の理由が結果にバイアスをかけないようにすることなんだ。もし患者が治療を始める前に病気を持っていたら、その薬が助けたように見えてしまうかもしれないんだ。これを避けるために、研究は薬と病気の既知の関連を排除する特定の方法を使って、より正確な評価を可能にしてるんだ。

プロセスの効率化にAIを使用

スクリーニングプロセスを向上させるために、研究ではChatGPTを使って薬と病気のペアを自動的に特定するんだ。これにより、研究者は特定の病気と関連のある薬かどうかをすぐに判断できて、分析から無関係なペアを排除するのが簡単になるんだよ。

結果の分析

何千もの薬と病気をスクリーニングした後、研究者は見つけた関係性を評価するんだ。治療開始前後の病気の発生率を比較して、どの薬が保護効果を持っているか、もしくはリスクを高めるかを判断するんだ。

薬の再利用の可能性

この研究の結果は、さまざまな病状に対する新しい治療オプションにつながるかもしれないんだ。潜在的な利益がある薬は再利用の候補として考慮されて、患者にもっと治療の選択肢を提供できるんだ。同時に、この研究は有害反応を引き起こす可能性のある薬も浮き彫りにして、安全性モニタリングに役立つんだよ。

結論

この研究は、既存のデータベースとテクノロジーの進歩を活用して薬の効果をよりよく理解することの重要性を強調してるんだ。実際のデータに焦点を当ててAIを使うことで、この研究は既存の薬とその新しい使用法や副作用とのギャップを埋めることを目指してるんだ。結果は、より包括的な薬の評価を促進し、慢性疾患を持つ患者の医療結果を改善する道を開くかもしれない。

要するに、医療の環境が常に変化する中で、データと革新技術の力を活用することが、満たされていない医療ニーズに対処し、さまざまな患者群の薬の安全性と効果を確保するために重要なんだ。このアプローチを通じて、我々は薬物療法を洗練させ、さまざまな臨床設定で患者ケアを向上させる努力に貢献できることを願ってるんだ。

オリジナルソース

タイトル: WITHDRAWN: Foundational model aided automatic high-throughput drug screening using self-controlled cohort study

概要: BackgroundDeveloping medicine from scratch to governmental authorization and detecting adverse drug reactions (ADR) have barely been economical, expeditious, and risk-averse investments. The availability of large-scale observational healthcare databases and the popularity of large language models offer an unparalleled opportunity to enable automatic high-throughput drug screening for both repurposing and pharmacovigilance. ObjectivesTo demonstrate a general workflow for automatic high-throughput drug screening with the following advantages: (i) the association of various exposure on diseases can be estimated; (ii) both repurposing and pharmacovigilance are integrated; (iii) accurate exposure length for each prescription is parsed from clinical texts; (iv) intrinsic relationship between drugs and diseases are removed jointly by bioinformatic mapping and large language model - ChatGPT; (v) causal-wise interpretations for incidence rate contrasts are provided. MethodsUsing a self-controlled cohort study design where subjects serve as their own control group, we tested the intention-to-treat association between medications on the incidence of diseases. Exposure length for each prescription is determined by parsing common dosages in English free text into a structured format. Exposure period starts from initial prescription to treatment discontinuation. A same exposure length preceding initial treatment is the control period. Clinical outcomes and categories are identified using existing phenotyping algorithms. Incident rate ratios (IRR) are tested using uniformly most powerful (UMP) unbiased tests. ResultsWe assessed 3,444 medications on 276 diseases on 6,613,198 patients from the Clinical Practice Research Datalink (CPRD), an UK primary care electronic health records (EHR) spanning from 1987 to 2018. Due to the built-in selection bias of self-controlled cohort studies, ingredients-disease pairs confounded by deterministic medical relationships are removed by existing map from RxNorm and nonexistent maps by calling ChatGPT. A total of 16,901 drug-disease pairs reveals significant risk reduction, which can be considered as candidates for repurposing, while a total of 11,089 pairs showed significant risk increase, where drug safety might be of a concern instead. ConclusionsThis work developed a data-driven, nonparametric, hypothesis generating, and automatic high-throughput workflow, which reveals the potential of natural language processing in pharmacoepidemiology. We demonstrate the paradigm to a large observational health dataset to help discover potential novel therapies and adverse drug effects. The framework of this study can be extended to other observational medical databases.

著者: Shenbo Xu, R.- Cobzaru, S. N. Finkelstein, R. E. Welsch, K. Ng, L. Middleton

最終更新: 2024-09-16 00:00:00

言語: English

ソースURL: https://www.medrxiv.org/content/10.1101/2024.08.04.24311480

ソースPDF: https://www.medrxiv.org/content/10.1101/2024.08.04.24311480.full.pdf

ライセンス: https://creativecommons.org/licenses/by-nc/4.0/

変更点: この要約はAIの助けを借りて作成されており、不正確な場合があります。正確な情報については、ここにリンクされている元のソース文書を参照してください。

オープンアクセスの相互運用性を利用させていただいた medrxiv に感謝します。

著者たちからもっと読む

類似の記事