使用机器学习开发SSRI相关出血的临床预测模型:可行性研究
Jatin Goyal1, Ding Quan Ng2, Kevin Zhang1
1Donald Bren School of Information and Computer Sciences, University of California Irvine, Irvine, CA, USA.
BMC medical informatics and decision making
|June 10, 2023
概括
机器学习模型可以预测选择性血红素再吸收抑制剂 (SSRI) 药物的出血风险. 关键预测因素包括出血史和社会经济地位,有助于预防不良药物事件.
科学领域:
- 药物监督和机器学习
- 临床信息学 临床信息学
- 计算健康 计算健康
背景情况:
- 药物不良事件 (ADEs) 导致患者的治疗结果差,医疗费用增加.
- 对ADE的预测工具可以减轻风险并提高患者安全.
- 选择性血红素再吸收抑制剂 (SSRI) 通常被处方,但相关的出血事件需要监测.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测与SSRI使用相关的出血事件.
- 确定导致SSRI相关出血的关键临床和人口特征.
- 评估使用大规模电子健康记录 (EHR) 数据用于ADE预测的可行性.
主要方法:
- 利用国家卫生研究院我们所有人 (AoU) 数据库,包括超过10,000名暴露于SSRI的参与者的EHR数据.
- 选择了88个特征,包括社会人口统计,生活方式,并发病症和药物使用.
- 应用后勤回归,决策树,随机森林和极端梯度提升模型来预测出血事件,通过AUC评估性能.
主要成果:
- 在10362名SSRI暴露的参与者中,9.6%的参与者经历了出血事件.
- 机器学习模型实现的AUC范围从0.632到0.698.8.
- 临床上显著的预测因素包括健康素养 (对于埃斯基塔洛普拉姆) 和出血史和社会经济地位 (对于所有SSRI).
结论:
- 证明了使用ML来预测SSRI相关出血事件的可行性.
- 确定了患者的特定特征,这些特征是出血的重大风险因素.
- 通过结合基因组数据和深度学习,提出了改善ADE预测的潜力.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.6K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
