个人化治疗效果的机器学习驱动分析比较阿片类药物使用障碍中布普伦诺芬和纳尔特雷的复发预防
Majid Afshar1, Emma J Graham Linck, Alexandra B Spicer
1From the University of Wisconsin School of Medicine and Public Health, Madison, WI (MA, EJGL, ABS, EMS-A, MMC); New York University Grossman School of Medicine, New York, NY (JR); Washington University School of Medicine, Saint Louis, MO (PS); and Vanderbilt University Medical Center, Nashville, TN (MWS).
因果机器学习确定了阿片类药物使用障碍药物的个性化治疗效应. 这种方法有助于将患者与延长释放纳勒或布普伦诺芬-纳洛相匹配,以更好地预防复发.
科学领域:
- 药理学和成医学 药理学和成医学
- 在医疗保健中的数据科学和机器学习
背景情况:
- 阿片类药物使用障碍 (OUD) 治疗的有效性各不相同,需要个性化的方法.
- 延长释放的纳尔特雷和舌下布诺芬-纳洛是关键的OUD药物,复发率不同.
- 预测个体患者对这些药物的反应仍然是一个挑战.
研究的目的:
- 采用因果机器学习来识别延长释放纳勒和布普伦诺芬-纳洛的个性化治疗效应.
- 确定与差异化治疗相关的患者特征,以预防阿片类药物复发的好处.
主要方法:
- 一个多中心随机试验的二次分析,比较延长释放纳尔德和布普伦诺芬-纳洛.
- 使用培训 (n=285) 和验证数据集开发了三种因果机器学习模型.
- 使用Qini值和c-for-benefit来量化个性化治疗效果;没有复发被定义为成功.
主要成果:
- 最好的模型获得了4.45的Qini值和0.63.6的c-for-benefit.
- 最受益于布普伦诺芬-纳洛的患者的阿片类药物戒断得分很高,经常使用可卡因,并同时出现酒精/可卡因使用障碍.
- 预计受益于延长释放纳尔德的患者包括那些喜欢海洛因和经历无家可归的人.
结论:
- 因果机器学习成功地识别了不同的患者个人资料,以在OUD治疗中进行最佳药物选择.
- 这种数据驱动的方法可以指导个性化策略,防止阿片类药物复发,改善治疗结果.
更多相关视频
09:54Combining Laser Capture Microdissection and Microfluidic qPCR to Analyze Transcriptional Profiles of Single Cells: A Systems Biology Approach to Opioid Dependence
Published on: March 8, 2020
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
相关概念视频
Drug Abuse and Addiction: Pharmacological Phenomena
Opioid Analgesics: Synthetic and Semisynthetic Opioids
Drug Dependence
Analgesia and Pain Management
Opioid Receptors: Overview
