論文の概要: Predicting effect of novel treatments using molecular pathways and real-world data

• arxiv url: http://arxiv.org/abs/2509.07204v1
• Date: Mon, 08 Sep 2025 20:35:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.11349
• Title: Predicting effect of novel treatments using molecular pathways and real-world data
• Title（参考訳）: 分子経路と実世界のデータを用いた新規治療の予測
• Authors: Adrien Couetoux, Thomas Devenyns, Lise Diagne, David Champagne, Pierre-Yves Mousset, Chris Anagnostopoulos,
• Abstract要約: 本稿では、未試験薬品の病気治療効果を予測するための、フレキシブルでモジュラーな機械学習ベースのアプローチを提案する。 我々は、薬道重量影響スコアと患者データを用いて機械学習モデルを訓練する。 得られたモデルは、ヒトの生物学的分子-タンパク質経路にまたがる未試験薬品の重み付けされた衝撃スコアを分析し、予測された有効値を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In pharmaceutical R&D, predicting the efficacy of a pharmaceutical in treating a particular disease prior to clinical testing or any real-world use has been challenging. In this paper, we propose a flexible and modular machine learning-based approach for predicting the efficacy of an untested pharmaceutical for treating a disease. We train a machine learning model using sets of pharmaceutical-pathway weight impact scores and patient data, which can include patient characteristics and observed clinical outcomes. The resulting model then analyses weighted impact scores of an untested pharmaceutical across human biological molecule-protein pathways to generate a predicted efficacy value. We demonstrate how the method works on a real-world dataset with patient treatments and outcomes, with two different weight impact score algorithms We include methods for evaluating the generalisation performance on unseen treatments, and to characterise conditions under which the approach can be expected to be most predictive. We discuss specific ways in which our approach can be iterated on, making it an initial framework to support future work on predicting the effect of untested drugs, leveraging RWD clinical data and drug embeddings.
• Abstract（参考訳）: 医薬R&Dでは、臨床検査または実際の使用前に特定の疾患を治療するための薬剤の有効性を予測することが困難である。 本稿では、未試験薬品の病気治療効果を予測するための、柔軟でモジュール化された機械学習に基づくアプローチを提案する。 我々は,患者の特徴と臨床結果の観察を含む患者データと薬道重量影響スコアのセットを用いて,機械学習モデルを訓練する。 得られたモデルは、ヒトの生物学的分子-タンパク質経路にまたがる未試験薬品の重み付けされた衝撃スコアを分析し、予測された有効値を生成する。 本手法は,2つの異なる重み付けスコアアルゴリズムを用いて,患者治療と結果を伴う実世界のデータセット上でどのように機能するかを実証する。 我々は,本手法を反復的に行うための具体的な方法について議論し,RWD 臨床データと薬物埋め込みを活用することにより,未試験薬物の効果を予測するための今後の研究を支援するための最初の枠組みについて論じる。

関連論文リスト

• Beyond the ATE: Interpretable Modelling of Treatment Effects over Dose and Time [46.2482873419289]
  本研究では, 治療効果トラジェクトリを線量および時間とともに滑らかな表面としてモデル化する枠組みを提案する。 本研究は, 臨床的に有意な特性の特定から, 軌道形状の推定を分離する。 本手法は, 処理力学の精度, 解釈可能, 編集可能なモデルを生成する。
  論文  参考訳（メタデータ） (2025-07-09T20:33:33Z)
• Advancing clinical trial outcomes using deep learning and predictive modelling: bridging precision medicine and patient-centered care [0.0]
  深層学習と予測モデリングは、臨床試験設計、患者採用、リアルタイムモニタリングを最適化するための変換ツールとして登場した。 本研究では、畳み込みニューラルネットワーク(CNN)やトランスフォーマーモデルなどの深層学習技術の患者層化への応用について検討する。 生存分析や時系列予測を含む予測モデリング手法は、試行結果の予測、効率の向上、試行失敗率の低減に用いられている。
  論文  参考訳（メタデータ） (2024-12-09T23:20:08Z)
• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)
• Enhancing Acute Kidney Injury Prediction through Integration of Drug Features in Intensive Care Units [0.0]
  急性腎障害(AKI)予測と腎障害薬との関連は, 治療現場ではまだ検討されていない。 そこで本研究では,患者処方データをモダリティとして活用し,既存のAKI予測モデルを改善する手法を提案する。
  論文  参考訳（メタデータ） (2024-01-09T05:42:32Z)
• Global Deep Forecasting with Patient-Specific Pharmacokinetics [14.550711449872512]
  本稿では,患者固有の治療効果の深層学習モデルを示すハイブリッドグローバルローカルアーキテクチャとPKエンコーダを提案する。 血糖予測タスクにおいて, 精度向上のためのアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2023-09-22T18:43:41Z)
• Prediction of drug effectiveness in rheumatoid arthritis patients based on machine learning algorithms [2.5759046095742453]
  慢性関節リウマチ(RA)は、患者の免疫系が誤って自身の組織を標的としたときに引き起こされる自己免疫疾患である。 機械学習(ML)は、患者の電子的健康記録のパターンを特定し、患者の結果を改善する最良の臨床治療を予測する可能性がある。 本研究は, 臨床データから情報を取り出すためのデータ処理パイプラインを設計し, 機能的使用のために前処理し, 2) 薬物に対するRA患者の反応を予測し, 分類モデルの性能を評価するためのTNFフレームワークを導入した。
  論文  参考訳（メタデータ） (2022-10-14T15:15:37Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• 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)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)

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。