JMIR Publications近日在其新闻与观点版块发布了一份关于妊娠期药物安全证据空白进展的报告。在《机器学习如何帮助填补妊娠期用药安全证据空白》一文中，健康撰稿人Michelle Falci采访了两个项目的首席研究员，这些项目利用机器学习分析大规模的药物暴露和结果数据集，进而识别并评估可能的关联。
孕妇被排除在临床试验之外
Falci报道称，医学研究存在严重的代表性不足问题；过去十年中，只有4%的临床试验纳入了孕妇作为参与者。这一趋势可追溯至1977年，当时美国食品药品监督管理局(FDA)建议不在1、2期临床试验中纳入孕妇或可能怀孕的女性，导致了妊娠期用药安全证据的缺失（同时也导致了研究中女性参与者整体代表性不足）。尽管已经做出努力来确定孕妇和哺乳期妇女的用药安全性，但这些努力在实践中收效甚微。
利用机器学习填补空白
Falci深入研究了两项旨在填补这一证据空白的新颖努力：采用基于树的数据挖掘方法的BOOST-HP项目，以及结合因果推断与机器学习的BIONIC研究。每种方法都利用机器学习来处理分析大型数据集的繁重工作，使研究人员能够监测并估计潜在的因果关联。
然而，根据BIONIC研究负责人Cristina Longo-plus的说法，这种AI辅助研究理想情况下将受益于更多数据，同时需要保持适度的谨慎。透明度至关重要，BOOST-HP项目的首席研究员Almut G. Winterstein指出：她和她的团队使用了一种允许追踪决策路径的AI模型，这些路径引导至模型的评估结果。如果他们使用"黑箱"模型——即内部工作机制不透明或模糊的系统——他们将面临错过关键流行病学错误的风险。尽管如此，进一步完善机器学习模型设计，以及获取更大更全面的数据集，对于填补这一证据空白仍具有巨大潜力。
【全文结束】
