Aplicación de un marco de red neuronal interpretable basado en el algoritmo LASSO-proj para la predicción de la dosis...

Área de la Ciencia:

• Farmacogenómica
• Biología Computacional
• Farmacología Clínica

Sus antecedentes:

• La dosificación de warfarina presenta desafíos debido a su estrecha ventana terapéutica y su significativa variabilidad interindividual.
• Los ajustes precisos de la dosis son difíciles, lo que aumenta los riesgos de hemorragia o trombosis.

Objetivo del estudio:

• Desarrollar un modelo de perceptrón multicapa (MLP) simplificado e interpretable para predecir la dosis estable de warfarina.
• Mejorar la precisión y la transparencia de la predicción de la dosis de warfarina utilizando datos del mundo real.

Principales métodos:

• Se utilizó la base de datos del Consorcio Internacional de Farmacogenómica de la Warfarina (IWPC) para obtener datos del mundo real.
• Se aplicó el algoritmo LASSO-proj para la selección de características de alta precisión.
• Se desarrolló e interpretó un modelo de perceptrón multicapa (MLP) utilizando DeepExplainer para el análisis basado en SHAP.

Principales resultados:

• El modelo MLP logró un coeficiente de determinación (R^2) de 0.456 y un error absoluto medio (MAE) de 8.92 mg/semana.
• El 48.52% de las predicciones cayeron dentro de ±20% de la dosis terapéutica estable real.
• Factores clave de influencia identificados: genotipo VKORC1, peso corporal, edad y etnia.

Conclusiones:

• El marco MLP interpretable con LASSO-proj ofrece una alta precisión predictiva para la dosificación de warfarina.
• Este enfoque mejora la transparencia del modelo, proporcionando una herramienta valiosa para guiar la terapia clínica con warfarina.
• La dosificación personalizada de warfarina puede mejorarse a través de información farmacogenómica y modelos avanzados.