論文の概要: A Deep Subgrouping Framework for Precision Drug Repurposing via Emulating Clinical Trials on Real-world Patient Data

• arxiv url: http://arxiv.org/abs/2412.20373v1
• Date: Sun, 29 Dec 2024 06:32:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:06:57.634354
• Title: A Deep Subgrouping Framework for Precision Drug Repurposing via Emulating Clinical Trials on Real-world Patient Data
• Title（参考訳）: 実地患者データを用いた臨床治験のシミュレーションによる精密薬物回収のためのディープサブグループ化フレームワーク
• Authors: Seungyeon Lee, Ruoqi Liu, Feixiong Cheng, Ping Zhang,
• Abstract要約: 本稿では,サブグループ分析と治療効果推定を統合した新しい薬物再資源化フレームワークであるSTEDRを紹介する。 提案手法は, 実世界の患者データを用いて, 複数の臨床試験をエミュレートして, 再購入候補を同定する。 アルツハイマー病 (AD) は, 承認された薬剤がほとんどなく, 治療反応の異種性も知られている疾患である。
• 参考スコア（独自算出の注目度）: 7.625705701507038
• License:
• Abstract: Drug repurposing identifies new therapeutic uses for existing drugs, reducing the time and costs compared to traditional de novo drug discovery. Most existing drug repurposing studies using real-world patient data often treat the entire population as homogeneous, ignoring the heterogeneity of treatment responses across patient subgroups. This approach may overlook promising drugs that benefit specific subgroups but lack notable treatment effects across the entire population, potentially limiting the number of repurposable candidates identified. To address this, we introduce STEDR, a novel drug repurposing framework that integrates subgroup analysis with treatment effect estimation. Our approach first identifies repurposing candidates by emulating multiple clinical trials on real-world patient data and then characterizes patient subgroups by learning subgroup-specific treatment effects. We deploy \model to Alzheimer's Disease (AD), a condition with few approved drugs and known heterogeneity in treatment responses. We emulate trials for over one thousand medications on a large-scale real-world database covering over 8 million patients, identifying 14 drug candidates with beneficial effects to AD in characterized subgroups. Experiments demonstrate STEDR's superior capability in identifying repurposing candidates compared to existing approaches. Additionally, our method can characterize clinically relevant patient subgroups associated with important AD-related risk factors, paving the way for precision drug repurposing.
• Abstract（参考訳）: 薬物再精製は、既存の薬物に対する新しい治療法を識別し、伝統的なデ・ノボの薬物発見と比較して、時間とコストを削減している。 現実の患者データを用いた薬物再資源化研究の多くは、患者サブグループ間の治療反応の不均一性を無視して、全人口を均質として扱うことが多い。 このアプローチは、特定のサブグループに利益をもたらすが、全人口で顕著な治療効果が欠如している有望な薬物を見落とし、再使用可能な候補の数を制限している可能性がある。 そこで本研究では,サブグループ分析と治療効果推定を統合した新しい薬物再資源化フレームワークであるSTEDRを紹介する。 提案手法は, 実世界の患者データから複数の臨床試験をエミュレートし, サブグループ特異的な治療効果を学習することで, 患者サブグループを特徴付ける。 アルツハイマー病 (AD) に対して, 治療薬の承認がほとんどなく, 治療反応の異質性も知られている状態に \model を配置した。 我々は、800万人以上の患者をカバーする大規模な実世界のデータベース上で、1000以上の薬物の試行をエミュレートし、特徴のあるサブグループにおいてADに有益な14の薬物候補を特定した。 実験では、既存のアプローチと比較して再購入候補を特定するSTEDRの優れた能力を示す。 さらに,本手法は,AD関連危険因子に関連する臨床関連患者サブグループを特徴付けることができる。

関連論文リスト

• Multiscale Topology in Interactomic Network: From Transcriptome to Antiaddiction Drug Repurposing [0.3683202928838613]
  米国における薬物依存の激化は、革新的な治療戦略の緊急の必要性を浮き彫りにしている。 本研究は,オピオイドおよびコカイン依存症治療の薬物再服用候補を探索するための,革新的で厳格な戦略に着手した。
  論文  参考訳（メタデータ） (2023-12-03T04:01:38Z)
• Zero-shot Learning of Drug Response Prediction for Preclinical Drug Screening [38.94493676651818]
  ゼロショット学習ソリューションを提案する。 予防的薬物スクリーニングの課題です 具体的には、MSDAと呼ばれるマルチブランチマルチソースドメイン適応テスト拡張プラグインを提案する。
  論文  参考訳（メタデータ） (2023-10-05T05:55:41Z)
• A clustering and graph deep learning-based framework for COVID-19 drug repurposing [0.3359875577705538]
  本研究では,異種薬物データに基づく多機能型クラスタリングのためのグラフベースのオートエンコーダを用いた,教師なし機械学習フレームワークを提案する。 データセットは438種類の薬物で構成され、そのうち224種は新型コロナウイルスの臨床試験を受けている。 当フレームワークは,薬理学的特性,化学的・物理的性質,宿主との相互作用,各種の公開型COVID-19アッセイにおける有効性など,報告された薬物データに依存している。
  論文  参考訳（メタデータ） (2023-06-24T15:00:47Z)
• Knowledge-Driven New Drug Recommendation [88.35607943144261]
  既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。 EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。 その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
  論文  参考訳（メタデータ） (2022-10-11T16:07:52Z)
• Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
  新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。 本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
  論文  参考訳（メタデータ） (2022-02-08T09:42:08Z)
• HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data [56.53715632642495]
  臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。 本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
  論文  参考訳（メタデータ） (2021-02-08T15:09:07Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• When deep learning meets causal inference: a computational framework for drug repurposing from real-world data [12.68717103979673]
  既存の薬物精製法は、ヒトに適用した場合に翻訳上の問題が存在する可能性がある。 薬物再資源化のための複数の候補の生成と試験を行うための,効率的かつ簡便なフレームワークを提案する。 本研究の枠組みは, 冠動脈疾患(CAD)の症例研究において, 55の薬剤候補が各種疾患の予後に及ぼす影響を評価することで実証する。
  論文  参考訳（メタデータ） (2020-07-16T21:30:56Z)
• Robust Recursive Partitioning for Heterogeneous Treatment Effects with Uncertainty Quantification [84.53697297858146]
  治療効果のサブグループ分析は、医療から公共政策、レコメンデーターシステムへの応用において重要な役割を担っている。 サブグループ分析の現在の手法のほとんどは、個別化処理効果(ITE)を推定するための特定のアルゴリズムから始まる。 本稿では、これらの弱点に対処する新しい部分群解析法R2Pを開発する。
  論文  参考訳（メタデータ） (2020-06-14T14:50:02Z)
• Contextual Constrained Learning for Dose-Finding Clinical Trials [102.8283665750281]
  C3T-Budget(C3T-Budget)は、予算と安全性の両方の制約の下での線量フィリングのための文脈制約付き臨床試験アルゴリズムである。 残りの予算、残業時間、各グループの特徴を考慮して患者を募集する。
  論文  参考訳（メタデータ） (2020-01-08T11:46:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。