MF Researcher Database

研究者データベース

詳細

安部　賀央里 (アンベ　カオリ)

  • 薬学研究科レギュラトリーサイエンス分野　講師
Last Updated :2024/04/26

研究者情報

学位

  • 博士（薬学）（名古屋市立大学）

ホームページURL

科研費研究者番号

  • 70440625

J-Global ID

研究キーワード

  • リスク評価   病院情報   データマイニング   医療ビッグデータ   機械学習   副作用   

研究分野

  • ライフサイエンス / 医療薬学
  • 環境・農学 / 化学物質影響

所属学協会

  • 日本医療薬学会   日本臨床薬理学会   日本動物実験代替法学会   日本香粧品学会   日本薬物動態学会   CBI(シービーアイ）学会   日本毒性学会   日本薬学会   

研究活動情報

論文

講演・口頭発表等

  • データベースと機械学習を活用した毒性予測へのアプローチ ～有機化学から視野を広げて～  [招待講演]
    安部賀央里
    第50回日本毒性学会学術年会 2023年06月 シンポジウム・ワークショップパネル（指名）
  • Development of in silico model for skin sensitization evaluation using machine learning  [招待講演]
    安部賀央里
    ACAAE2022, the 3rd Asian Congress for Alternatives to Animal Experiments 2022年12月
  • ヒトの副作用予測に向けた機械学習アプローチ  [招待講演]
    安部賀央里
    第49回日本毒性学会学術年会 2022年06月
  • 機械学習法による特異体質性副作用の予測  [招待講演]
    安部賀央里
    第42回日本臨床薬理学会学術総会 2021年12月
  • 化学物質の安全性評価におけるin silico予測モデル  [招待講演]
    安部賀央里
    CBI学会2021年大会 2021年10月
  • 毒性データベースを用いた化学物質のインシリコ毒性予測  [招待講演]
    安部賀央里
    第65回日本薬学会関東支部大会 2021年09月
  • In Silico Prediction of Severe Cutaneous Adverse Drug Reactions Using the Japanese Adverse Drug Event Report Database.  [通常講演]
    安部賀央里; 大矢和幸; 頭金正博
    第15回国際毒性学会 ICT XV 2019 2019年07月 ポスター発表
  • 毒性データベースを用いたin silico安全性予測  [招待講演]
    安部賀央里; 頭金正博
    第1回医薬品毒性機序研究会 2019年01月 シンポジウム・ワークショップパネル（指名）
  • Development of in silico predictive classification models for chemical-induced hepatocellular hypertrophy based on molecular descriptors.  [通常講演]
    安部賀央里; 落部達也; 大矢和幸; 頭金正博
    WCP2018 (18th World Congress of Basic and Clinical Pharmacology) 2018年07月 ポスター発表
  • QSARアプローチによる機械学習法を用いた反復投与毒性予測手法の開発  [招待講演]
    安部賀央里; 頭金正博
    第44回日本毒性学会学術年会 2017年07月 シンポジウム・ワークショップパネル（指名）

MISC

受賞

  • 2022年07月 日本毒性学会 第12回2022年 ファイザー賞
  • 2018年 薬学研究奨励財団 薬学研究奨励財団 第39回研究助成金

共同研究・競争的資金等の研究課題

  • 日本学術振興会：科学研究費助成事業
    研究期間 : 2023年04月 -2026年03月 
    代表者 : 安部 賀央里
  • 食品関連化学物質のリスク評価におけるリードアクロス手法の適用と信頼性評価に関する研究
    内閣府食品安全委員会：食品健康影響評価技術研究
    研究期間 : 2023年04月 -2025年03月
  • 日本学術振興会：科学研究費助成事業
    研究期間 : 2021年04月 -2024年03月 
    代表者 : 濱野 高行; 村島 美穂; 安部 賀央里
     
    当院で2018年から2020年までの間に抗癌剤治療を受けた2644名の後方視的観察研究を行った。eGFRが前回のeGFRに比して30％以上低下するものをAKIと定義して、AKIに関連する抗がん剤をまずは見だした。平均年齢は65歳で平均eGFR は71 (59-84) mL/min/1.73m2であった。Pembrolizumab, trastuzumabと oxaliplatinがAKIと関連し、そのオッズ比(95%信頼区間)はそれぞれ 1.52 [1.03-2.23], 2.78 [1.26-6.12],1.72 [1.20-2.46]であった。 抗癌剤以外のリスク因子は高いCRPとループ利尿薬やトルバプタン、抗血小板薬の使用であった。PembrolizumabやtrastuzumabとAKIの関連はNSAIDs使用患者で特に強かった。 抗腫瘍薬による電解質異常を早期に捕捉できるようにするため、2021年5月から当院で電子カルテ上で自動的に各科主治医に腎臓内科受診を促す「電解質バスターズ」なるシステムを構築した。実際に依頼を行うかどうかは担当医師の判断にゆだねた。紹介基準はNa<125, Na>160, K<2.5, K>6.0, 補正Ca<7.5, 補正Ca>11.5, Mg<1.0, Mg>4.0 mEq/Lとした。電解質バスターズ導入前後6か月の依頼箋数を比較したところ、K異常は導入前後で紹介数は変わらなかったが、Na, Ca, Mg異常は各々2倍に増え、３つの電解質異常をまとめると依頼のincident rate ratioは2.01（95% CI: 1.00-4.24）となった。依頼の最も多い低Na血症16例のうち、5例がSIADH、5例が薬剤性（抗癌剤や利尿剤）を含む腎性Na喪失、3例が水中毒と診断され、SIADHの２例にトルバプタンを導入しNa濃度が改善した。
  • 日本学術振興会：科学研究費助成事業 若手研究
    研究期間 : 2020年04月 -2023年03月 
    代表者 : 安部 賀央里
     
    本研究では、有害事象自発報告データベースと病院情報システムの医療情報を活用し、機械学習を用いて患者の時系列データや医薬品の化学構造情報から、薬剤性腎障害の発症リスクの高い患者の予測ならびに原因薬剤を特定することを目的とした。 令和3年度は、PMDAによる医薬品副作用データベース（JADER）に加えて、FDAが公開しているFARES（JAPIC AERSを使用）を用いて、薬剤性急性腎障害（AKI）を発症する医薬品の情報を追加した。シグナル検出法（ROR法）と報告件数を用いて薬剤性AKIを発症する陽性医薬品と、発症する可能性が低い陰性医薬品を抽出した。JADERとJAPIC AERSのデータを統合し、学習データとした。医薬品の化学構造情報である分子記述子から、薬剤性AKIを発症する可能性が高い医薬品を判別するモデルを構築した。複数のアルゴリズムを組み合わせたアンサンブル学習を行い、入れ子式の交差検証を用いてモデルの性能を評価したところ、判別モデルの予測性能の評価指標であるROC-AUCが0.82を示し、JADER単独のモデルよりも高い性能が得られた。 また、病院情報システムの電子カルテ情報を用いた患者ごとの薬剤性AKI発症リスクモデルについては、倫理審査委員会の承認が得られたため、名古屋市立大学病院の電子カルテ情報から該当する医薬品が処方された患者データを抽出した。10年分の電子カルテ情報から、抗悪性腫瘍薬（シスプラチン、免疫チェックポイント阻害薬）、抗菌薬（アミノグリコシド系、バンコマイシン、βラクタム系）を対象として、患者情報（年齢、性別、身長、体重）、対象とした医薬品および併用薬の処方情報、血液検査や生化学検査等の検査値に関する情報を抽出し、データ分布等の確認を開始した。
  • In silico予測手法の高度化とNew Approach Methodologyの活用に基づく化学物質の統合的ヒト健康リスク評価系の基盤構築に関する研究
    厚生労働省：厚生労働行政推進調査事業費補助金
    研究期間 : 2021年 -2023年
  • 医療情報データベースと機械学習を融合した薬剤性腎障害の予測法の開発
    特別研究奨励費
    研究期間 : 2021年 -2022年
  • 日本学術振興会：科学研究費助成事業 若手研究
    研究期間 : 2018年04月 -2020年03月 
    代表者 : 安部 賀央里
     
    本研究では有害事象自発報告データベースとしてJADERを活用し、機械学習を用いて医薬品の化学構造情報から薬物性肝障害を予測することを目的とした。シグナル検出法と報告件数を用いて薬物性肝障害の陽性医薬品と陰性医薬品を定義した。医薬品の分子記述子を特徴量とし、ランダムフォレストを用いて、薬物性肝障害の有無を判別するインシリコ予測モデルを構築したところ、感度0.90、AUC 0.66の性能が得られた。さらにJADERと文献情報を組み合わせることで、AUCが0.84まで改善した。大規模な副作用情報と機械学習を適切に活用することで薬物性肝障害の予測が可能であることが示唆された。
  • 医薬品のシステマティックレビュー効率化に向けたAI活用に関する研究
    名古屋市立大学：特別研究奨励費
  • 機械学習による特異体質性薬物性肝障害の予測手法の開発
    第一三共株式会社：創薬共同研究公募プログラムTaNeDS

その他のリンク

researchmap


Copyright © MEDIA FUSION Co.,Ltd. All rights reserved.