超说明书用药，即药物使用方式与其经监管机构批准用途不同的情况，十分常见，在所有处方中占比高达36%。然而，这些药物在不同患者亚组中的有效性往往尚未得到充分理解。在本研究中，我们展示了如何结合因果机器学习（ML）与真实世界数据，识别哪些患者群体最可能从超说明书用药中受益。具体而言，我们评估了胺碘酮（amiodarone）在新发房颤（NOAF）患者中的超说明书使用效果。新发房颤常导致血流动力学不稳定和快速心室反应，因此恢复血流动力学稳定性至关重要。
我们开发了一种因果机器学习模型，用于预测超说明书使用胺碘酮对恢复血流动力学稳定性的个体化治疗效果（ITEs）。该模型基于来自美国的真实世界数据构建，并使用荷兰的真实世界数据进行外部验证。我们的预测结果显示，44.8%（95%置信区间[CI]：38.4%至51.0%）的患者能够从胺碘酮的超说明书使用中受益，但存在显著异质性：胺碘酮预计可使恢复血流动力学稳定性的概率平均提高0.5个百分点（pp），四分位距（IQR）为-1.1 pp至1.0 pp（荷兰外部数据集结果）。基于这些个体化治疗效果，我们定义了一种个性化治疗规则，相较于当前实践，该规则可将实现血流动力学稳定的患者数量增加4.4%（95% CI：1.0%至7.8%）。
此外，我们研究了哪些生物标志物可以预测治疗效果的异质性，发现血压较高的患者可能从胺碘酮的超说明书使用中获益最多。总体而言，本研究表明，因果机器学习结合真实世界数据在识别能够从超说明书用药中受益的患者方面具有巨大潜力。
(全文结束)
