使用半自动机器学习工具开发制药科学系统审查过程:新生儿重症监护机构内静脉药物兼容性

科学领域:

• 制药科学 制药科学
• 医疗信息学 医疗信息学
• 新生儿医学 新生儿医学

背景情况:

• 制药科学中的系统审查需要对广泛的文献进行有效选.
• 在新生儿重症监护中,静脉注射药物的Y位相容性对于患者安全至关重要.
• 现有的查方法可能是耗时和劳动密集的.

研究的目的:

• 建立和评估基于机器学习的系统审查选过程.
• 评估该过程在制药科学中的适用性,特别是新生儿药物兼容性.
• 确定研究选器工具的效率和可靠性.

主要方法:

• 使用了SPIDER模型和广泛的搜索策略.
• 使用Research Screener机器学习工具进行自动选.
• 通过手动选和卡帕系数进行的试点研究,用于审查员之间的可靠性评估.
• 选了27,597个免复制的引用,机器学习处理了大多数 (25,862).

主要成果:

• 机器学习工具 (Research Screener) 有效地选了大量的参考文献.
• 实现了中等的审查员间可靠性 (卡帕系数≥0.75).
• 在阅读完整文本后,确定了118篇相关文章进行系统审查.
• 符合条件的文章是从不到10%的选引用中提取的.

结论:

• 广泛的搜索策略与半自动化研究选工具相结合,对于系统性审查是有效的.
• 机器学习显著优化了制药研究中的文献选过程.
• 这种方法适用于确定新生儿重症监护机构的药物兼容性信息.