小児の希少データから派生したコンセンサスを用いた有害薬物反応の機械学習予測

科学分野:

• 医薬品安全性監視
• 計算毒性学
• 小児薬理学

背景:

• 有害薬物反応（ADR）は、小児における病気や死亡の主要な原因であり、小児は特有の発達上の脆弱性を抱えている。
• 小児薬物安全性研究は、データが限られており、成人中心の研究に依存しているため、大きなエビデンスギャップが生じているという課題に直面している。

研究 の 目的:

• 小児医薬品安全性監視のための包括的な計算アプローチを開発および検証すること。
• 小児特異的な有害薬物反応（ADR）の同定を改善し、既存のエビデンスギャップを埋めること。

主な方法:

• コンセンサス主導のシグナル検出、多レベルの生物学的特徴、および解釈可能な機械学習（XGBoost）を統合した。
• 140万件のFDA有害事象報告システム（FAERS）レポートを利用して、最大の小児薬物-ADRデータベースを作成した。
• 最適化されたADR同定のために、4つのアルゴリズム（PRR、ROR、BCPNN、EBGM）にわたる投票と、重症度固有のしきい値を使用した。

主要な成果:

• 計算アプローチは、特に不均衡データセットにおいて、有意な予測性能（ROC AUC：0.7177）を達成した。
• ドメイン横断的分析により、成人由来のモデルは小児集団にはうまく一般化しないことが確認された。
• 既存の文献に裏付けられた、既知および新規の小児特異的ADRを特定した。

結論:

• 開発された計算フレームワークは、小児医薬品安全性監視のための方法論的革新を提供する。
• 本研究は、小児集団における薬物安全性データの改善に対する重要なニーズに対処する。
• 本研究の結果は、小児薬物安全性における臨床的および規制上の意思決定のための実用的なツールを提供する。