Машинное обучение в фармакометрии: возможности и проблемы

Стремительный рост числа медицинских устройств, методов визуализации и диагностики, вычислительных средств, а также коммуникационных и информационных технологий в разработке лекарственных препаратов и здравоохранении привёл к постоянному расширению массива данных, с которым теперь необходимо работать исследователям в области фармакометрии (PMX). Методы машинного обучения (МО) стали мощным вычислительным инструментом в других дисциплинах, работающих с большими объёмами данных, однако их эффективное применение в фармацевтических науках и фармакометрическом моделировании пока находится на начальной стадии. Методы на основе МО могут дополнять фармакометрическое моделирование, позволяя использовать информацию из различных источников больших данных, например общедоступных популяционных баз данных и специализированных клинических регистров заболеваний, поскольку способны эффективно выявлять значимые переменные, связанные с исходами, и определять взаимозависимости между ними. Алгоритмы МО отличаются вычислительной эффективностью, высокой прогностической способностью и позволяют осуществлять обучение на больших данных. Их можно рассматривать как вычислительный мост, связывающий большие данные с фармакометрическим моделированием и дополняющий его. В этом обзоре представлены сильные и слабые стороны методов МО по сравнению с популяционными методами, оценены современные исследования применения МО в фармацевтических науках, а также рассмотрены потенциальные возможности и стратегии успешной интеграции и использования МО в фармакометрии.