评估多发性硬化症患者的治疗转换:一种机器学习方法
Jieni Li1, Yinan Huang2, George J Hutton3
1Department of Pharmaceutical Health Outcomes and Policy, College of Pharmacy, University of Houston, TX, USA.
Exploratory research in clinical and social pharmacy
|August 9, 2023
概括
机器学习模型可以预测多发性硬化症 (MS) 患者的疾病修饰剂 (DMA) 切换. 随机森林模型显示出比物流回归更好的歧视,尽管整体预测性能相似.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 多发性硬化症的治疗方法
背景情况:
- 多发性硬化症 (MS) 患者经常因疗效和安全问题而转换疾病修饰剂 (DMAs).
- 预测治疗转换对于优化患者护理和结果至关重要.
研究的目的:
- 开发和比较机器学习 (ML) 模型,特别是随机森林 (RF) 和后勤回归 (LR),用于预测MS患者的DMA切换.
- 确定影响DMA切换行为的关键因素.
主要方法:
- 一项使用TrinetX电子病历 (EMR) 网络进行的回顾性纵向研究.
- 在2010年至2017年期间,确定了7258名成年多发性硬化症患者,他们至少有一份DMA处方.
- 开发和比较RF和LR模型使用72个基线特征,通过AUC,准确性,回忆,G测量和F-1评分进行评估.
主要成果:
- 16%的MS患者在两年内改变了DMA.
- 与LR模型 (AUC=0.63) 相比,RF模型显示出明显更好的歧视 (AUC=0.65).
- 射频和射频频谱模型基于F和G测量结果显示了类似的预测性能;关键预测因素包括年龄,指数药物类型和年份.
结论:
- 与逻辑回归相比,随机森林模型为预测MS患者的DMA切换提供了更好的歧视.
- 尽管AUC有差异,但RF和LR模型基于F和G测量表现出可比的预测效用.
- 需要进一步的研究来探索ML在预测治疗结果和指导最佳MS管理临床决策中的作用.
