图片来源：Pexels上的Jonathan Borba
《Journal of Medical Internet Research》期刊在其"新闻与观点"栏目中发表的一篇报告展示了孕妇用药安全证据缺口的研究进展。在题为"机器学习如何帮助填补孕妇用药安全证据缺口"的文章中，健康记者Michelle Falci采访了两个项目的首席研究员，这些项目使用机器学习分析大量药物暴露与结果的数据集，然后识别并评估可能的关联。
临床试验中排除孕妇参与者
Falci报道称，医学研究存在严重的人群代表性不足问题；过去十年中，只有4%的临床试验将孕妇作为参与者。这一趋势可以追溯到1977年，当时美国食品药品监督管理局(FDA)建议不要在1期和2期临床试验中纳入孕妇或可能怀孕的女性，这导致了孕妇用药安全证据的缺口（同时也导致了研究中女性参与者更广泛的代表性不足）。尽管已做出努力来确定孕妇和哺乳期妇女的用药安全，但这些努力在实践中仍显不足。
利用机器学习填补这一缺口
Falci深入研究了两个填补这一证据缺口的新努力：BOOST-HP项目，它使用基于树的数据挖掘方法；以及BIONIC研究，它结合了因果推断和机器学习。每种方法都使用机器学习来完成分析大型数据集的繁重工作，使研究人员能够监测和评估潜在的因果关系。
然而，根据BIONIC研究负责人Cristina Longo的说法，这种AI辅助研究理想情况下将受益于更多数据——外加适度的谨慎。BOOST-HP项目的首席研究员Almut G. Winterstein指出，透明度是关键：她和她的团队使用了一种AI模型，使他们能够追溯导致模型评估的决策路径。
如果他们使用"黑箱"模型——一个内部工作机制不透明或模糊的系统——他们将面临错过关键流行病学错误的风险。不过，对机器学习模型的进一步深思熟虑的设计，以及更大更全面的数据集，对于填补这一证据缺口具有很大的前景。
出版详情
"机器学习如何帮助填补孕妇用药安全证据缺口"，《Journal of Medical Internet Research》(2026)。DOI: 10.2196/101042
期刊信息：《Journal of Medical Internet Research》
关键医学概念
妊娠结局
临床类别
妇产科学、妊娠、临床药理学、生殖健康
由JMIR Publications提供
【全文结束】
