Page 131 - 中国全科医学2022-01
P. 131

·256· http://www.chinagp.net   E-mail:zgqkyx@chinagp.net.cn


           SAKELLAROPOULOS 等 ［31］ 学者将基因表达数据与药物反应               提升机模型的预测效果，结果显示，随机森林和梯度提升机
           相结合，构建了深度神经网络模型以预测癌症患者的药物治                          对 Two sides 网络的预测性能最佳。RYU 等       ［41］ 学者建立了深
           疗反应，并在多个临床队列上进行了外部验证，结果表明，                          度学习模型，通过输入药物 - 药物对或药物 - 食物对的名称
           深度神经网络在药物治疗反应预测方面优于传统的机器学习                          及其结构信息，生成了 86 种药物相互作用，并对模型进行了
           算法。JIANG 等  ［32］ 学者建立了支持向量机模型，用于识别                  外部验证，预测准确率平均为 92.4%。
           对 5- 氟尿嘧啶 / 奥沙利铂高度敏感的胃癌患者，该模型可将                     2.6 药物依从性预测 患者药物依从性差是普遍存在的问题。
           Ⅱ期和Ⅲ期胃癌患者进行准确分类，使用该模型预测的不同                          良好的用药依从性对于疾病的治疗和管理至关重要。有研究
           类别患者的 5 年无进展生存期和总生存期存在显著的统计学                        者尝试使用机器学习算法来识别药物依从性差的患者，从而
           差异。                                                 有针对性地制订提高药物依从性的策略。
           2.4 药物耐药预测 随着高通量测序技术的发展，药物基因                            TUCKER 等 ［42］ 学者采用决策树、K- 邻近算法、朴素贝
           组学相关数据库的建立和完善，以及电子病历系统中大规模                          叶斯、支持向量机和随机森林模型，根据帕金森病患者使用
           数据集的累积，机器学习现已被广泛应用于抗菌药物和化疗                          非穿戴式多模式传感器接收的步态特征来建立预测模型，实
           药物等敏感性相关的基因型 / 表型预测、临床决策的制定和药                       现对患者用药依从性的远程监控。MOHEBBI 等             ［43］ 学者基于
           物治疗方案的优化等方面        ［33］ 。                           连续葡萄糖监测信号，建立多层感知器和卷积神经网络模型
               DAVIS 等 ［34］ 学者建立了 Ada Boost 机器学习模型，用于          对 2 型糖尿病患者使用胰岛素的依从性进行预测，结果显示
           识别鲍曼不动杆菌对碳青霉烯类抗生素、金黄色葡萄球菌对                          卷积神经网络的预测性能最佳。LI 等            ［44］ 学者使用机器学习
           甲氧西林以及肺炎链球菌对 β- 内酰胺类抗生素和复方新诺                        方法识别使用降压药不依从的亚组人群，以制定针对目标人
           明的耐药性，实现了 88% 到 99% 的准确率。另外，该研究还                    群的干预措施。WU 等       ［45］ 学者采用 30 种机器学习方法建立
           将结核分枝杆菌对异烟肼、卡那霉素、氧氟沙星、利福平和                          了 300 个模型来预测 2 型糖尿病患者的用药依从性，以用药
           链霉素的耐药性进行了预测，实现了 71% 到 88% 的准确率。                    拥有率对患者的用药依从性进评价，结果显示，集成算法预
           CHOWDHURY 等  ［35］ 学者提出了堆叠的集成模型，以逻辑回                 测性能最佳。
           归、决策树和支持向量机作为基线模型，基于蛋白质序列的                          3 小结
           相似性来预测结核分枝杆菌对卷曲霉素的耐药性；与最佳的                              随着计算机技术的不断发展，机器学习在辅助临床药物
           基线模型支持向量机相比，集成模型预测准确性提高了2.43%。                      治疗决策方面展现出了巨大的潜力。此类方法为医生和临床
           MANCINI 等 ［36］ 学者建立了 Cat Boost、支持向量机和神经网            药师制订药物治疗策略、应对药物不良反应、监测药物治疗
           络 3 种机器学习模型，并集成了一个云平台来预测患者住院                        效果和优化药物治疗方案等提供了理想的工具。目前，机器
           后发生多药耐药性尿路感染的风险。AN 等             ［37］ 学者通过对 58      学习在临床药物治疗方面的研究主要基于医院电子病历系统、
           万余例癫痫患者的索赔数据进行分析，以预测患者在首次开                          基因组学数据库、药物相互作用数据库和药物不良反应数据
           具某种抗癫痫药物时耐药的风险，其训练的随机森林算法表                          库等，采用机器学习的方法，尤其是深度学习算法，建立临
           现最佳。DORMAN 等    ［38］ 学者研究了紫杉醇和吉西他滨的生长               床预测模型以实现对目标人群或目标药物的预测。但由于目
           抑制浓度与基因表达之间的相关性，该研究使用多因素主成                          前我国医院电子病历系统等数据库缺乏规范系统的患者信息
           分分析筛选出“强关联”的基因，使用支持向量机来预测药                          录入流程、有效的数据质控过程和数据孤岛等缺陷，总体数
           物的敏感性，对紫杉醇和吉西他滨敏感性的预测准确率分别                          据利用率有待提升。
           为 70.2% 和 57.0%。                                        此外，医学机器学习是一项交叉学科，研究者常需掌握
           2.5 药物相互作用预测 在联合用药情况下，药物相互作用                        计算机、线性代数、概率论与数理统计等专业知识。因此，
           通常是导致药物不良反应发生和医疗成本增加的常见原因。                          机器学习在医疗领域的广泛应用尚存在巨大的学科壁垒，常
           因此，识别药物相互作用是减少药物不良事件和提高患者用                          出现“医疗工作者不懂机器学习，计算机工程师不懂医学”
           药安全性的关键。虽然已有文献研究成果和可获取的药物相                          的现象。开发医疗工作者简便易用的机器学习建模工具可能
           互作用数据库可为机器学习的应用提供基础，但对医疗数据                          是缓解该问题的有效措施。
           中的药物相互作用研究仍较为缺乏。                                        未来，随着高质量数据库的建立和新算法的开发，通过
               CHENG 等 ［39］ 学者通过整合药物相互作用数据库中的                  临床科研人员与计算机研究人员的有机协作，机器学习有望
           药物表型、治疗、化学和基因组学相似性，提出了一种异                           更多地应用于临床药物治疗的研究中。借助于优秀的机器学
           构网络辅助推理（Heterogeneous Network-assisted Inference，   习算法和工具，可有效提高临床预测模型在临床实践中的实
           HNAI）框架，在该框架中应用了朴素贝叶斯、决策树、K- 邻                      用性，提高诊疗效率，实现个体化治疗决策的智能化。
           近算法、逻辑回归和支持向量机 5 种机器学习模型来预测                             作者贡献：吴行伟负责文章的构思与设计，进行论文、
           药物相互作用，其中 HNAI 模型 ROC 曲线下面积为 0.67。                  英文的修订；刘馨宇负责文献 / 资料收集、整理，撰写论文；
           KASTRIN 等 ［40］ 学者基于 Drug Bank、KEGG 和 Two sides 等 5  龙恩武负责文章质量的控制及审校；童荣生对文章整体负责，
           个药物相互作用数据库中药物间的拓扑和语义相似性特征，                          监督管理。
           比较了分类树、K- 邻近算法、支持向量机、随机森林和梯度                            本文无利益冲突。
   126   127   128   129   130   131   132   133