Identifying drugs with disease‐modifying potential in Parkinson's disease using artificial intelligence and pharmacoepidemiology
Notice bibliographique
Résumé
PURPOSE: The aim of the study was to assess the feasibility of an approach combining computational methods and pharmacoepidemiology to identify potentially disease-modifying drugs in Parkinson's disease (PD). METHODS: We used a two-step approach; (a) computational method using artificial intelligence to rank 620 drugs in the Ontario Drug Benefit formulary based on their predicted ability to inhibit alpha-synucleinaggregation, a pathogenic hallmark of PD; and (b) case-control study using administrative databases in Ontario, Canada. Persons aged 70-110 years with incident PD from April 2002-March 2013. Controls were randomly selected from persons with no previous diagnosis of PD. RESULTS: A total of 15 of the top 50 drugs were deemed feasible for pharmacoepidemiologic analysis, of which seven were significantly associated with incident PD after adjustment, with five of these seven associated with a decreased odds of PD. Methylxanthine drugs pentoxifylline (OR, 0.72; 95% CI, 0.59-0.89) and theophylline (OR, 0.77; 95% CI, 0.66-0.91), and the corticosteroid dexamethasone (OR, 0.72; 95% CI, 0.61-0.85) were associated with decreased odds of PD. CONCLUSIONS: Our findings demonstrate the feasibility of this approach to focus the search for disease-modifying drugs. Corticosteroids and methylxanthines should be further investigated as potential disease-modifyingdrugs in PD.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».