针对阿尔茨海默病的高通量目标试验仿真药物重定向与现实世界的数据重定向

科学领域:

• 现实世界的数据分析分析.
• 临床试验模拟临床试验模拟
• 药物监督 药物监督 药物监督
• 药物重新定位是药物重新定位.

背景情况:

• 使用真实世界数据 (RWD) 的目标试验模拟对于公正的治疗效果估计至关重要.
• 在RWD研究中有效控制混仍然是一个重大挑战.
• 缺乏对不同混控制方法的系统评估.

研究的目的:

• 模拟使用大规模RWD的目标随机试验,以确定在阿尔茨海默病中批准药物的新指示.
• 在治疗权重的逆概率 (IPTW) 框架内系统地评估倾向性得分模型.
• 为改进基线共变量平衡提出一个模型选择策略.

主要方法:

• 从两个大型数据库 (超过10年,1.7亿患者) 采用RWD对数千种药物的模拟试验.
• 在IPTW下评估了各种倾向分数模型 (包括深度学习和后勤回归).
• 开发并建议一个模型选择策略,以改善共变量平衡.

主要成果:

• 确定了五种排名第一的药物 (潘托普拉, gabapentin, atorvastatin, fluticasone, omeprazole) 对阿尔茨海默病有潜在的益处.
• 基于深度学习的倾向分数模型在共变量平衡中并不总是超过基于逻辑回归的方法.
• 提出了一个模型选择策略,以改善RWD研究中的基线共变量平衡.

结论:

• 针对RWD的向试验模拟可以有效地识别阿尔茨海默病的潜在新药指示.
• 仔细选择倾向得分模型对于强大的混控制至关重要.
• 现有的几种药物显示出对阿尔茨海默氏症治疗的前景,需要进一步调查.