根据在此处介绍的结果，来自人工智能模型的初步数据可能可能预测由新组合疗法引起的副作用。AACR年会2022年，4月8日至13日举行。

“临床医生受到新组合疗法可能导致不可预测的结果的现实问题的挑战。”巴特·韦斯特曼（Bart Westerman），博士，该研究的高级作者和阿姆斯特丹癌症中心的副教授。“我们的方法可以帮助我们了解与疾病背景下不同药物的影响之间的关系。”

许多癌症类型越来越多地接受联合疗法的治疗，临床医生试图通过这些癌症来最大程度地提高功效并最大程度地减少治疗耐药性的机会。但是，这种组合疗法可以立即在患者已经复杂的药物清单中添加多种药物。测试新药物或组合的临床试验很少考虑患者可能会接受测试治疗方案的其他药物。

韦斯特曼说：“寻求治疗的患者通常每天使用四到六种药物，因此很难确定新的联合疗法是否会冒着健康风险。”“很难评估组合疗法的积极作用是否能证明其对某些患者的负面影响是合理的。”

韦斯特曼及其同事（包括研究生AslıKüçükosmanoğlu）提出了这项研究，他试图使用机器学习来更好地预测新药物组合带来的不良事件。他们从美国食品和药物管理局不利事件报告系统（FAERS）收集了数据，该数据库包含超过1500万次不良事件记录。使用一种称为尺寸降低的方法，他们将经常共发生的事件分组在一起，以简化分析并加强药物及其副作用谱之间的关联。

然后，研究人员将数据馈送到卷积神经网络算法中，这是一种模仿人类大脑在数据之间建立关联方式的机器学习。然后使用单个疗法的不良事件来训练该算法，该算法确定了药物及其副作用之间的共同模式。公认的模式被编码到所谓的“潜在空间”中，该模式通过表示每个不良事件配置文件作为0和1之间的225个数字的字符串来简化计算，可以将其解码回原始配置文件。

为了测试他们的模型，研究人员向其模型（称为“不良事件地图集”的模型提供了看不见的不良事件概况，以查看它是否可以识别这些新概况并使用潜在空间描述符正确解码它们。这表明该模型可以识别这些新模式，表明可以将测得的组合曲线转换回组合疗法中的每种药物的组合。

韦斯特曼说，这表明结合疗法的不利影响很容易预测。他解释说：“我们能够通过对潜在空间描述符的简单代数计算来确定个体治疗效应的总和。”“由于这种方法会降低数据中的噪声，因为该算法经过训练以识别全球模式，因此它可以准确捕获组合疗法的副作用。”

Westerman及其同事通过将联合疗法的预测不良事件概况与诊所中观察到的预测事件概况进行比较，进一步验证了他们的模型。使用福尔人和美国的数据临床试验数据库，研究人员表明，该模型可以准确地概括某些常用组合疗法的不良事件曲线。

组合疗法的一种复杂因素是新的，可能会产生的新的，可能无法预料的副作用。使用该模型确定的加性模式，研究人员能够将加性副作用与药物组合的协同副作用区分开。韦斯特曼说，这可能会帮助他们更好地理解复杂的不良事件概况交织时可能发生的事情。

研究人员正在开发一种统计方法来量化其模型的准确性。韦斯特曼说：“鉴于药物相互作用的景观非常复杂，并且涉及许多分子，大分子，细胞和器官过程，因此我们的方法不太可能导致黑白决策。”“不利事件地图集仍处于概念验证阶段，但最重要的发现是，我们能够按照数百万患者描述的是药物，疾病和人体相互作用的快照。”

这项研究的局限性包括将这些数据与更多稀疏数据进行比较的潜在困难，以及该模型在临床实践中的应用有限，直到提供进一步验证。

本文已从以下内容重新发布材料。注意：材料可能已被编辑为长度和内容。有关更多信息，请联系引用的来源。