将机器学习集成到in silico临床试验管道中

科学领域:

• 计算生物学是一种计算生物学.
• 生物医学信息学是生物医学信息学.
• 临床试验方法论 临床试验方法论

背景情况:

• 传统的临床试验资源密集,评估平均效果,限制了个性化治疗的探索.
• 在 silico 试验提供成本效益和设计灵活性,分析治疗反应异质性.
• 与临床数据校准的机械数学模型是当前in silico试验方法的基础.

研究的目的:

• 探索机器学习 (ML) 在in silico临床试验中的整合.
• 确定在in silico试验的各个阶段使用ML的机遇和挑战.
• 提高 in silico 试验方法的可行性,可解释性和可靠性.

主要方法:

• 审查当前的in silico试验方法及其依赖机械模型.
• 讨论机器学习 (ML) 工具在in silico试验设计和分析中的潜在应用.
• 考虑专家建模师在应用ML提高试验结果方面的作用.

主要成果:

• ML 具有显著的潜力,可以提高 in silico 试验的准确性和信息性.
• ML可以帮助识别生物标志物和解释试验结果.
• 周到的ML应用可以提高in silico试验的可靠性和可行性.

结论:

• 机器学习可以显著增强in silico临床试验,当专家建模者应用时.
• 增强的in silico试验有可能加速药物开发管道.
• 用ML辅助的in silico试验可以促进对个体患者的最佳治疗方法的识别.