人工智能药物重定位系统存在哪些临床证据？
最有力的证据来自对电子健康记录（EHR）的回顾性分析，这类研究将人工智能的预测结果与患者的真实结局进行比对。在一项研究中，人工智能知识图谱将氯胺酮列为苯丙胺类兴奋剂使用障碍的候选药物；随后对3600多名患者的电子健康记录分析显示，接受氯胺酮治疗的患者缓解率比接受其他麻醉药的患者高出58%（风险比1.58）[1]。另一项研究利用ChatGPT对阿尔茨海默病的药物重定位候选方案进行排序，随后在两个大型临床数据集（范德比尔特数据库和“我们所有人”项目）中测试了排名前十的药物；荟萃分析发现，二甲双胍、辛伐他汀和氯沙坦与较低的阿尔茨海默病风险相关[2]。第三项研究将机器学习应用于一个包含12000多名意义未明单克隆丙种球蛋白病（MGUS）患者的数据库，发现多种药物类别——包括复合维生素、他汀类药物和β受体阻滞剂——与较低的疾病进展风险相关[3]。这些研究采用共同的设计框架：人工智能生成假设，随后利用回顾性电子健康记录数据验证信号。这虽然超越了纯粹的计算预测，但仍不等同于前瞻性临床试验。
与传统的临床试验相比，这一证据有多强？
现有证据令人鼓舞，但存在重要局限性。三项临床验证研究[1][2][3]均为回顾性观察性研究，这意味着它们只能显示相关性，而无法证明因果关系。例如，氯胺酮研究[1]发现缓解率提高58%，但接受氯胺酮治疗的患者可能在疾病严重程度等其他方面存在差异，从而影响结果。同样，阿尔茨海默病研究[2]发现二甲双胍、辛伐他汀和氯沙坦能降低患病风险，但这些药物常用于治疗糖尿病、高胆固醇和高血压——而这些疾病本身就会影响阿尔茨海默病的风险。MGUS研究[3]使用了精心整理的数据库和稳健的统计方法（一致性指数为0.883，表明模型拟合良好），但研究结果仍仅体现相关性。这些研究均非随机对照试验（RCT），而RCT是证明药物疗效的黄金标准。MGUS研究的作者明确指出，其工作"可为后续前瞻性研究提供参考"[3]，承认前瞻性试验是下一步的必要举措。
那些尚未在患者身上测试过的人工智能模型呢？
许多AI药物重定位系统仅在计算基准上进行评估，而非基于临床数据。例如，一种名为TxGNN的新型基础模型在医学知识图谱上训练，在零样本条件下（即疾病尚无对应药物时）预测药物适应症的准确率比其他八种方法高出49.2%，预测禁忌症的准确率高出35.1%[4]。该模型的预测结果也与某大型医疗系统中的超说明书用药情况高度吻合。然而，这仍属于计算验证范畴——该模型尚未在临床环境中接受测试。另一项研究采用3D-QSAR（一种计算化学方法）预测哪些FDA批准药物可能抑制骨病相关蛋白硬骨素，该模型具有优异的统计拟合度（r²=0.969），但未涉及任何患者数据[5]。这些模型虽有助于生成假说，却无法提供临床证据。高性能计算模型与经证实的治疗方案之间，仍存在巨大鸿沟。
关于这些来源
该回答基于5篇经同行评审的研究——发表于2023年至2025年间，其中4篇为2024年及以后发表，3篇发表于Q1期刊，累计被引183次——这些研究是从5篇通过质量筛选的文献中选出的最具相关性的成果，而该筛选过程则源于从超过5亿篇论文数据库中检索到的61篇文献。
本文引用的文献
基于人工智能的药物重定位与电子健康记录临床验证：以氯胺酮作为苯丙胺类兴奋剂使用障碍潜在治疗方案的案例研究
在一项基于电子健康档案数据的回顾性队列研究中，与使用其他麻醉药物相比，氯胺酮使苯丙胺类兴奋剂使用障碍患者的缓解率提高了58%（风险比=1.58），而在抑郁症患者中也观察到类似结果（风险比=1.51，相较于抗抑郁药）。
利用生成式人工智能优先筛选阿尔茨海默病的药物重定位候选方案，并结合真实世界临床验证
在两项大型临床数据集中，ChatGPT优先推荐的阿尔茨海默病药物重定位候选药物接受了测试；荟萃分析显示，二甲双胍、辛伐他汀和氯沙坦与较低的阿尔茨海默病风险相关。
基于人工智能的药物重定位筛查策略在意义未明的单克隆丙种球蛋白病中的应用
将机器学习应用于包含12,253名MGUS患者的数据库后，识别出多种与较低进展风险相关的药物类别（如复合维生素、他汀类药物、β受体阻滞剂），该模型的 concordance 指数为0.883。
以临床医生为中心的药物重定位基础模型
在零样本评估中，TxGNN基础模型对药物适应症的预测准确率较其他八种方法提升了49.2%，对禁忌症的预测准确率提升了35.1%，且其预测结果与某医疗系统中的超说明书处方情况相符。
基于人工智能的FDA批准老药重定位抑制硬骨素的3D-QSAR模型。
一项针对50种FDA批准药物抑制硬骨素活性的3D-QSAR模型取得了良好的统计拟合度（r²=0.969，q²=0.532），但未进行临床验证。