关联发现方法工作流程概览。图片来源：《临床药理学与治疗学》(2025)。DOI: 10.1002/cpt.70080
莫纳什大学研究人员正在利用消费级人工智能技术评估药物的安全性和再利用潜力。
这种名为"Magnum Opus"的"关联发现"数据挖掘工具，通常用于精准定位消费者行为模式，现已重新定义，用于揭示药物安全和药物发现中的模式。
该研究发表在《临床药理学与治疗学》期刊上，汇集了莫纳什药学院药物使用与安全中心(CMUS)以及信息技术学院(FIT)数据科学与人工智能系的医药与技术专业知识。
该研究使用了澳大利亚药品福利计划(PBS)10%的样本，包含2014年至2024年间超过3亿份处方记录，旨在识别各种药物与三种常见慢性疾病——冠心病、2型糖尿病和癫痫之间的关联。
研究分析了每个队列在患病前被开具的所有药物，研究团队能够发现并分类多种模式。例如：
- 冠心病：与降胆固醇和抗凝血药物出现了预期的关联，可能是因为治疗重叠的疾病。
- 2型糖尿病：一些药物（如抗精神病药、利尿剂、他汀类药物）与糖尿病风险升高有预期的关联，而其他药物（用于帕金森病或骨质疏松症的）则出人意料地与较低风险相关联。
- 癫痫：观察到抗抑郁药、抗精神病药与癫痫风险增加之间的许多预期关联，而一种常见的降压药物却意外地与较低风险相关联。
药物使用与安全中心(CMUS)的研究员、共同主要作者George Tan博士表示，研究结果表明处方数据在揭示药物与健康结果之间隐藏联系方面的强大作用。
Tan博士说："药物使用模式讲述了一个故事。通过研究处方，我们不仅可以了解疾病是如何被治疗的，还可以发现可能指向新风险、新保护甚至现有药物新用途的意外联系。"
作为资深作者的信息技术学院(FIT)Geoff Webb教授表示："这项研究展示了大数据如何生成关于药物安全性和有效性的早期线索，就像它帮助预测消费者行为一样。"
Webb教授继续说："人工智能正帮助我们从被动医疗转向主动医疗。通过利用预测人们可能购买什么的相同算法，我们可以开始预测哪些药物对哪些患者效果最好——以及哪些可能带来隐藏风险。这不仅仅是利用人工智能分析数据，而是生成最终可以改善患者护理的新医学知识。"
信息技术学院(FIT)的共同主要作者Lynn Miller博士还提到："通过将关联发现算法适应于医疗保健，我们可以揭示数百万处方中的有意义关系，这不是为了取代临床研究，而是帮助指导研究应该在何处继续探索。"
需要强调的是，这些发现处于早期阶段，仅用于生成假设。需要进一步研究通过测试其时间性、生物合理性以及在不同数据集上的一致性来完善和验证这些信号。
【全文结束】
