基础模型使用自控队列研究协助自动高通量药物查
Shenbo Xu1, Raluca Cobzaru1, Stan N Finkelstein1
1Institute for Data, Systems, and Society, Massachusetts Institute of Technology, Cambridge, MA 02142, USA.
medRxiv : the preprint server for health sciences
|August 16, 2024
概括
本研究引入了一种使用大型语言模型和电子健康记录的自动化高通量药物查工作流程,以有效地识别潜在的药物重新定位候选人和药物不良反应.
科学领域:
- 计算生物学和生物信息学
- 药理流行病学 药理流行病学
- 医疗保健中的人工智能
背景情况:
- 药物开发和药物监管是昂贵和耗时的.
- 大规模的医疗数据和大型语言模型 (LLM) 为药物查提供了新的机会.
- 自动化高通量查可以加速药物重新定位和药物不良反应检测.
研究的目的:
- 展示自动高通量药物查的一般工作流程.
- 估计各种暴露和疾病之间的关联.
- 整合药物重用和药监,分析处方长度,并使用LLMs去除混关系.
主要方法:
- 使用电子健康记录 (EHR) 的自我控制队列研究设计.
- 从临床文本中分析了处方长度和定义的暴露/控制期.
- 采用生物信息绘图和ChatGPT来消除混的药物疾病关系.
主要成果:
- 评估了6,613,198名患者的276种疾病中的3,444种药物.
- 确定了16,901个药物疾病对作为潜在的重新定位候选人 (降低风险).
- 确定了11,089个药物疾病对,表明潜在的安全问题 (风险增加).
结论:
- 开发了一个数据驱动的,自动化工作流程,用于制药流行病学中的假设生成.
- 证明了自然语言处理 (NLP) 在发现新疗法和药物不良影响方面的潜力.
- 该框架可适应其他观察医学数据库.
