科学家设计了一种新的人工智能模型，该模型模拟随机临床试验，以确定最有效预防心脏病患者中风的治疗方案。
该模型预先加载了从雇主、健康计划和医院提交的医疗保健索赔信息中收集的数百万患者的去识别数据——这是一种类似于ChatGPT等生成式人工智能工具的基础模型策略。
通过在大量普通数据上对模型进行预训练，研究人员可以根据特定的健康状况和治疗方法(在这种情况下，主要关注中风风险)对模型进行微调，以估计每种治疗方法的因果效应，并根据患者的个体特征确定哪种治疗方法最有效。
来自俄亥俄州立大学的研究小组今天(2024年5月1日)在《Patterns》杂志上报告说，他们的模型优于现有的7个模型，并提出了与4个随机临床试验相同的治疗建议。
取代黄金标准的临床研究并不是重点，但研究人员希望机器学习可以帮助节省时间和金钱，使临床试验走上更快的轨道，并支持患者护理的个性化。
“我们的模型可能是一个加速模块，可以帮助首先确定一小组有效治疗疾病的候选药物，允许临床医生在有限的范围内使用少量药物进行随机临床试验，”第一作者刘若琪说，他是张教授实验室的计算机科学与工程博士生。
该团队将提出的框架命名为CURE:因果治疗效果评估。
用大量未标记的真实世界数据预先训练的治疗效果估计模型的优点在于它适用于多种疾病和药物，刘说。
“我们可以在大规模数据集上预训练模型，而不局限于任何治疗方法。然后，我们根据特定任务的小规模数据集对预训练模型进行微调，使该模型能够快速适应不同的下游任务。”
用于预训练模型的未标记数据来自2012-2017年MarketScan商业索赔和遭遇，提供了300万例患者病例，9435个医疗代码(包括282个诊断代码)和9153个药物代码。
Liu的两种模型构建技术增加了CURE的能力:通过将患者信息与代表生物医学概念和关系的生物医学知识图配对来填补患者记录中的空白，以及使用医疗索赔和大规模知识图预训练深度协同的患者数据-知识基础模型。
“我们还提出了KG-TREAT，一个知识增强的基础模型，将患者数据与知识图协同起来，使模型更好地理解患者数据，”刘说，他是3月份AAAI人工智能会议论文集中描述知识图工作的论文的第一作者。
为了估计治疗效果，该模型考虑预先训练的数据与更具体的医疗条件和治疗信息重叠，并在进一步微调后，预测哪些患者的结果与不同的治疗相对应。
作为将模型与其他机器学习工具进行比较并根据临床试验结果进行验证的一部分，该研究表明，广泛的预训练是CURE有效性的支柱，而知识图谱的结合进一步提高了其性能。
张设想有一天——等待食品和药物管理局批准人工智能作为决策支持工具——临床医生可以使用这种算法，加载来自数千万人的电子健康记录数据，访问实际患者的“数字双胞胎”，并让模型作为治疗指南。
“这个模型比水晶球更好:基于大数据和基础模型人工智能，我们可以有理由相信能够说出哪种治疗策略更好，”张说，他是医学实验室人工智能的负责人，也是俄亥俄州立大学转化数据分析研究所的核心教员。“我们希望让医生们坐在驾驶座上，看看在他们做出关键决定时，这是否能对他们有所帮助。”
这项研究由美国国立卫生研究院资助。IBM研究院的陈品昱是《模式中的治愈》的研究合著者。Anytime AI的吴凌飞是AAAI的KG-TREAT的研究合著者。
