使用机器学习方法开发一个预测模型,用于塔克罗利木斯治疗期间的毒性
Tsubura Noda1, Shotaro Mizuno1, Kaoru Mogushi2
1Department of Pharmacokinetics and Pharmacodynamics, Graduate School of Medical and Dental Sciences, Tokyo Medical and Dental University (TMDU), Tokyo, Bunkyo-ku, Japan.
British journal of clinical pharmacology
|November 3, 2023
概括
一个新的机器学习模型通过分析患者数据和药物度来预测塔克罗利斯诱导的毒性. 这种方法有助于识别有风险的个体进行个性化治疗,防止在塔克罗利斯治疗期间发生不良事件.
科学领域:
- 药理学 药理学是指药理学的学科.
- 腎臟病學 (nephrology) 是一種醫學專業.
- 数据科学数据科学数据科学
背景情况:
- 塔克罗利 (TAC) 对于预防器官移植排斥和治疗自身免疫性疾病至关重要.
- 毒性是一种与TAC相关的显著不良事件,通常与超治疗性药物度有关.
- 目前的监测可能无法在所有患者中预防毒性,因此需要个性化治疗策略.
研究的目的:
- 开发和验证一个预测模型,用于在接受塔克罗利斯的患者个性化毒性风险.
- 通过识别可能经历脏不良影响的个体来改善患者的治疗结果.
主要方法:
- 对患者数据的回顾性分析,包括人口统计数据,同时服用的药物和塔克罗利斯全血度.
- 毒性的定义是TAC开始后60天内血清肌素的增加.
- 开发和比较13个机器学习模型 (例如SVM,随机森林) 与仅基于TAC度的传统模型.
主要成果:
- 一个支持向量机 (SVM) 模型在预测毒性方面表现出卓越的性能.
- 性能最好的SVM模型获得了0.750的高F2得分,明显优于常规模型 (0.500).
- 该模型是使用163名患者的数据构建的,并对41名患者进行了验证,主要是患有炎症或自身免疫疾病的患者.
结论:
- 一个新的机器学习模型有效地使用全面的患者数据预测塔克罗利斯诱导的毒性.
- 这种预测工具可以帮助临床医生在启动塔克罗利木斯治疗之前识别高风险患者.
- 启用个性化治疗药物监测策略可以帮助预防毒性并优化患者护理.
更多相关视频
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
09:16Supervised Machine Learning for Semi-Quantification of Extracellular DNA in Glomerulonephritis
Published on: June 18, 2020
6.9K
