一项由劳伦斯利弗莫尔国家实验室（LLNL）领导的科学家和计算工程师团队进行的研究，利用有史以来为肌萎缩侧索硬化症（ALS）构建的最大电子健康记录数据集之一，识别出几种可能延长ALS患者生存期的现有药物。该研究发表在《柳叶刀数字健康》期刊上。
该研究分析了2009年至2019年间在美国退伍军人健康管理局接受治疗的超过11,000名被诊断患有ALS的美国退伍军人的健康记录。通过将因果推断方法与机器学习相结合，研究人员评估了162种药物，以确定那些为其他疾病开具的药物是否与生存期的显著差异相关。
这项工作是与斯坦福大学医学院、退伍军人事务部帕洛阿尔托医疗保健系统（VA帕洛阿尔托）以及加州大学洛杉矶分校（UCLA）合作完成的。
LLNL首席研究员、计算工程部的研究科学家Priyadip Ray表示，这项研究的时机是由数据访问和资金的罕见汇聚所驱动的。从2009年ALS被正式认定为一种与服务相关的疾病开始，VA系统中接受ALS护理的退伍军人数量急剧增加，从而在一个单一医疗保健系统内创建了超过十年的详细治疗数据记录。同时，新的定向资助项目使得以前对于罕见病来说历史上难以实现的大规模ALS研究成为可能。
这项研究的另一个动机是ALS药物开发近期的挫折。药物Relyvrio最初于2022年获得美国食品和药物管理局批准，但在一项更大规模的后续试验未能显示其益处后，该药物于2024年退市，其早期热情也随之消退。这一结果凸显了ALS临床试验的难度，并激发了研究人员对其他发现途径的兴趣。
Ray说：“我们意识到，VA系统中治疗ALS的大量经验可以为识别该疾病的药物提供一种替代方法。”
研究人员解释，该方法不依赖传统的机器学习方法，而是侧重于因果推断——这是一种更严格的分析框架，旨在隔离潜在的治疗效果，同时考虑真实世界数据中的偏差、混杂因素和不均匀的治疗模式。
共同作者、LLNL数据科学家Braden Soper说：“我们的团队开发了一套方法，将严谨的统计技术与现代机器学习相结合，以在群体水平上隔离因果效应，即使数据不是在受控条件下收集的。”
分析识别出27种药物与死亡风险的统计学显著变化相关。值得注意的是，同一治疗类别内的多种药物——包括他汀类药物、磷酸二酯酶5抑制剂和α-肾上腺素能拮抗剂——都显示出与延长生存期相似的关联。
Ray说：“从科学角度看，突出的是这些药物组中的每一种都有多种药物产生了相同的积极效果。这让我们对减缓ALS进展与这些药物之间的关系有了很大的信心。”
为了探索这些药物可能影响疾病进展的原因，该团队使用了PathFX，这是一种由UCLA和斯坦福大学合作开发的蛋白质-蛋白质相互作用建模工具。网络分析表明，几种被识别的药物作用于共同的下游蛋白质通路，这提示了可能的共同作用机制以及ALS研究的新分子靶点。
Ray强调，这些发现并不能证明临床益处，但为后续步骤提供了坚实的基础，包括考虑随时间变化的健康因素的更深入建模，以及在包含更多样化平民群体的独立数据集中进行验证。
Soper补充说：“由于敏感的医疗数据因隐私和访问限制而难以共享，我们正在努力将我们的软件管道作为开源项目发布，以便世界各地的研究人员可以将这些工具应用于他们自己的数据集、疾病和干预措施。”
更多信息：Richard J Reimer等人，《利用电子健康记录识别肌萎缩侧索硬化症的药物再利用候选：一项回顾性队列研究》，《柳叶刀数字健康》（2026年）。DOI: 10.1016/j.landig.2025.100963
【全文结束】