由于在相对同等的患者人群(健康的白人男性)上进行的试验已有很长的历史，因此，在现实世界中，很少有临床数据可以评估妇女以及其他服务不足人群中的药物不良反应。

如果没有异构的数据可用性，则偏倚的结果会使妇女处于危险的境地，无法获得有关药物不良反应的准确信息，而药物不良反应目前是美国的第四大死亡原因。

这个问题的一个例子是Ambien，这是一种失眠药，以前对男性和女性的处方剂量相同。当有证据表明第二天早晨妇女的不良反应发生率显着增加时，FDA在2013年将推荐剂量降低了一半。

“而不是采取立场，我们等待的证据变得如此巨大，我们必须做一些事情，我们要更加积极主动，”尼古拉斯·塔通蒂，博士，哥伦比亚大学的研究人员谁共同领导的一项研究中说模式是使用机器学习来识别对女性的这些不利影响。“我们希望使用FDA的不良事件报告系统(FAERS)或电子健康记录之类的数据库，以便在为时已晚之前识别出针对性别的不良事件。”

Tatonetti是生物医学信息学系的副教授，他与哥伦比亚大学计算机科学系的本科生Payal Chandak合作开发了AwareDX(分析处于药物毒性风险中的女性)，该算法利用了机器学习的先进技术来预测性风险。

Tatonetti说：“我们开发了一种机器学习框架，用于挖掘针对特定性别的不良事件的数据。”“我们研究了成千上万个假设，并对它们进行了评估。Payal设计了一个解决混杂偏见的系统，因为很难研究这些影响，因为某些药物或作用在女性或男性中都比较常见。我们发明了一种缓解混杂的偏见，建立统计依据以识别不良反应中的性别差异，并根据证据的强度对其进行排名。”

该算法(见右图)发现的结果的一个例子(被认为是预测性风险的第一种有效方法)是证实单个基因(ABCB1)可能对男性(来自辛伐他汀)和女性(来自辛伐他汀)构成不同的风险。利培酮)。总体而言，该资源包括20,817种造成性别特异性风险的药物不良反应，并且通过调整针对性别的药物处方和剂量，为减少不良事件提供了机会。

Tatonetti说：“我们对不同社区缺乏有关药物疗效和安全性的信息感到兴奋。”“我们在这项研究中专门针对女性解决了这个问题，由于药代动力学和药效学的差异，与男性相比，这些不良反应的风险更大。这一特定知识可以影响有关药物处方和剂量的指南，并为女性创造更安全，更健康的条件。 ”