22:00 
Сегодня в разделе «Новости и перспективы» издательство JMIR Publications опубликовало отчет о развитии пробелов в доказательствах безопасности лекарств во время беременности. В статье «Как машинное обучение может помочь закрыть пробелы в доказательствах безопасности лекарств у беременных женщин» писательница в области здравоохранения Мишель Фальчи берет интервью у главных исследователей двух проектов, которые используют машинное обучение для анализа больших наборов данных о воздействии лекарств и их результатах, а затем выявляют и оценивают возможные связи.
Беременные участницы исключены из клинических испытаний
Медицинские исследования сталкиваются с серьезной проблемой недостаточного представительства, сообщает Фальчи; только 4% клинических исследований за последнее десятилетие включали в себя беременных женщин. Эта тенденция восходит к 1977 году, когда Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США рекомендовало не включать беременных женщин или женщин, способных забеременеть, в клинические испытания фазы 1 и 2, что привело к пробелу в данных о безопасности лекарств для беременных женщин (и способствовало более широкой недопредставленности женщин-участниц в исследованиях). Хотя были предприняты усилия по определению безопасности лекарств для беременных и кормящих женщин, на практике они потерпели неудачу.
Устранение разрыва с помощью машинного обучения
Falci внимательно рассматривает две новые попытки устранить этот пробел в фактических данных: проект BOOST-HP, в котором используется древовидный подход к интеллектуальному анализу данных; и исследование BIONIC, которое сочетает в себе причинно-следственную связь и машинное обучение. Каждый подход использует машинное обучение для выполнения тяжелой работы по анализу больших наборов данных, что позволяет исследователям отслеживать и оценивать потенциальные причинно-следственные связи.
Однако такого рода исследования с помощью ИИ в идеале выиграют от большего количества данных, по мнению руководителя исследования BIONIC Кристины Лонго-плюс, что является здоровой дозой осторожности. Прозрачность имеет ключевое значение, как отмечает Альмут Г. Винтерстайн, главный исследователь проекта BOOST-HP: она и ее команда используют модель искусственного интеллекта, которая позволяет им отслеживать пути принятия решений, ведущие к оценкам моделей. Если бы они использовали модель «черного ящика» — систему, внутренняя работа которой непрозрачна или запутана, — они рискуют пропустить важные эпидемиологические ошибки. Тем не менее, дальнейшая продуманная разработка моделей машинного обучения, а также более крупный и полный набор данных открывают большие перспективы для устранения этого пробела в фактических данных.
