本文已根据 Science X 的编辑流程和政策进行审阅。编辑在确保内容可信度的同时强调了以下属性：
经过事实检查
校对
来自斯坦福大学和伦斯勒理工学院的研究人员开发了一种先进的人工智能模型，可以提高临床试验批准的预测准确性。该研究发表在《健康数据科学》杂志上，引入了一种量化不确定性并增强可解释性的新方法，显着优于现有方法。
准确预测临床试验的成功对于优化资源和改进开发至关重要新疗法的流程。
新模型基于选择性分类 (SC) 并与最先进的分层交互网络 (HINT) 相结合，通过以下方式在临床试验管理方面取得了实质性进展：识别低置信度的试验并在必要时保留预测。这种选择性方法可以更可靠地预测试验结果，特别是对于预测不确定性最大的早期试验。
“我们的人工智能模型可以准确预测临床试验批准率，帮助优化临床试验的管理”，伦斯勒理工学院助理教授付天凡说。“下一步是更精细地模拟临床试验，最终目标是人工智能能够完全模拟临床试验。”
临床试验是临床试验中至关重要但成本高昂且耗时的阶段。新药物和疗法的开发。目前，许多试验因药物无效、安全问题或试验设计缺陷等问题而失败。
分层交互网络（HINT）此前一直是临床试验批准预测的领先模型，但其缺乏不确定性量化的局限性限制了其在实际应用中的有效性。通过选择性分类增强 HINT，新模型解决了这些局限性。
在付天凡及其团队的领导下，研究人员开发了一种将选择性分类与 HINT 模型相结合的方法，以量化预测的不确定性。这种新颖的方法使得模型只有在有信心的情况下才能提供预测，从而提高了临床试验成功预测的准确性。
在广泛的实验中，新的人工智能模型在以下领域表现出 32.37% 的相对改进与基本 HINT 模型相比，I 期临床试验的精确回忆曲线 (PR-AUC)。对于 II 期和 III 期试验，该模型分别实现了 21.43% 和 13.27% 的改进。值得注意的是，该模型在 III 期试验中取得了 0.9022 的 PR-AUC 分数，较现有预测模型有显着增强。
研究团队旨在继续完善模型，以更准确地模拟临床试验并探索药物开发中的新应用。Fu 补充道：“通过充分利用人工智能来模拟临床试验，我们希望彻底改变新疗法的开发和批准方式。”
更多信息：Yingzhou Lu 等人，临床试验批准的不确定性量化和可解释性预测，健康数据科学（2024）。DOI：10.34133/hds.0126