瓦尔酸监测:使用来自多中心真实世界数据的机器学习框架进行血清预测
Chih-Wei Hsu1, Edward Chia-Cheng Lai2, Yang-Chieh Brian Chen3
1Department of Psychiatry, Kaohsiung Chang Gung Memorial Hospital, Chang Gung University College of Medicine, Kaohsiung, Taiwan; Department of Computer Science and Information Engineering, National Cheng Kung University, Tainan, Taiwan.
Journal of affective disorders
|November 22, 2023
概括
机器学习准确地预测血清氨酸 (VPA) 度,有助于非侵入性治疗药物监测. 这种方法显示出减少频繁临床监测需求的潜力.
科学领域:
- 药物基因组学 药物基因组学
- 计算生物学 计算生物学
- 临床化学 临床化学
背景情况:
- 酸 (VPA) 是一种广泛使用的抗和情绪稳定药物.
- 对VPA的治疗药物监测至关重要,但往往需要进行侵入性血液检测.
- 开发用于VPA监测的非侵入性方法是一个重要的临床需求.
研究的目的:
- 开发和评估用于预测血清氨酸 (VPA) 度的机器学习模型.
- 探索这些模型在非侵入性治疗药物监测方面的潜力.
- 确定影响VPA水平的关键特征,并创建简化的预测模型.
主要方法:
- 从台湾长光研究数据库中利用了2002-2019年的医疗记录.
- 采用各种机器学习算法来预测VPA度 (二进制和连续).
- 在5142个样本上训练模型,并在644个独立样本上验证,使用准确度与20μg/ml宽容度作为主要度量.
主要成果:
- 模型实现了高精度:二进制结果为0.80-0.86,连续VPA结果为0.72-0.88.
- 确定了较高VPA水平的关键预测因素,包括VPA剂量,特定诊断和各种血液参数 (白蛋白,,肌素,血小板,RDW-CV).
- 简化的模型保持了高精度,证明了效率.
结论:
- 机器学习模型显示出使用现实数据预测血清VPA度的巨大潜力.
- 这些预测模型为减少临床实践中侵入性血清VPA监测频率提供了一个有希望的途径.
- 与外部数据集进行进一步验证是有必要的,以确认可概括性.
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
14:27Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
Published on: June 26, 2013
15.7K