關于教育都是每個家庭中非常重要一個環節，為什么這么說呢，很多家庭為了讓孩子獲得更好的教育煞會苦心，但是不一定會獲得效果這才是真正愁的地方，孩子出門的言行舉止就能看到一個家庭對孩子的教育是什么樣，有句古話叫上梁不正下梁歪，課外教育也很重要，那么現在小編就為小伙伴們收集到了一些課外知識，希望大家看了有所幫助。

小編發現不少朋友對于 麻省理工學院的研究人員如何使用AI來提高藥物批準率 這方面的信息都比較感興趣，小編就針對 麻省理工學院的研究人員如何使用AI來提高藥物批準率 整理了一些相關方面的信息 在這里分享給大家。

麻省理工學院的研究人員說，機器學習正在整個醫療領域迅速適應發展精確醫學，并且還可以通過改善隨機臨床試驗過程來利用它來改善新藥物治療和設備的開發。

研究人員需要使用機器學習和統計技術來增強臨床試驗結果的數據，以更好地預測藥物是否可能被批準。他們使用了來自兩個專有制藥管道數據庫的迄今為止最大的數據集。研究結果發表在“ 哈佛數據科學評論”的第一期中。

限制臨床試驗的風險可以使資源得到更有效的利用，更少的失敗，更快的藥物批準時間，更低的資金成本以及更多的資金用于開發其他新療法。

麻省理工學院金融工程實驗室主任安德魯·羅(Andrew Lo)在一份聲明中說：“每個人在臨床試驗過程中都會受到藥物失敗風險的影響。” “通過更準確地衡量藥物和器械開發風險，我們希望鼓勵在生物醫學這個獨特的拐點上增加投資。”

機器學習增強型科學不僅可以為投資者，科學家，臨床醫生和生物制藥專業人士提供有關藥物試驗潛在成功的指導，還可以使決策者受益。

“政策制定者和監管者也將從機器學習預測中受益，尤其是對于預測可能會失敗的藥物適應癥對-這些案例凸顯了生物醫學中最困難的挑戰，并強調了需要更大的政府和慈善支持的必要，”羅等人都寫道。

Lo和他的團隊使用機器學習和統計技術來解釋缺失的數據，估計缺失值和其他模型參數以進行更準確的預測。作者寫道，由于希望保護商業秘密，并且因為根本沒有動機鼓勵調查人員提供其他數據，因此數據集經常丟失數據。雖然所有歷史藥物開發數據集都缺少數據，但大多數研究并未報告丟失數據的程度。

“回顧歷史上的輸贏來預測賽馬的結果與基于多個因素(例如賽馬的血統，往績，氣質，訓練方式，賽道狀況，騎師的技能等等，”盧在聲明中說。

對于麻省理工學院的所有六種機器學習算法，使用黃金標準數據集進行插補的模型均優于其完整案例分析和插補對應模型，用于預測從第二階段試驗到批準的過渡的預測值為0.78 AUC，用于預測過渡的預測值為0.81 AUC從第3階段到批準。

Lo和同事總結說：“這些結果令人鼓舞，并為獲得更優質數據提供了更強大的藥物開發預測模型的可能性。”