基于米素度-时间曲线下的面积,预测米素相关的毒性:机器学习分析
Shotaro Mizuno1,2, Tsubura Noda3, Kaoru Mogushi4
1Department of Pharmacokinetics and Pharmacodynamics, Graduate School of Medical and Dental Sciences, Tokyo Medical and Dental University.
一个新的机器学习模型使用度-时间曲线 (AUC) 下的面积准确地预测了与菌素 (VCM) 相关的毒性. 该模型比传统方法识别了更多的VCM诱导的损伤病例,从而改善了患者的护理.
科学领域:
- 药理学和毒理学 药理学和毒理学
- 机器学习在医学中的应用
- 临床病学 临床病学
背景情况:
- 范科米辛 (VCM) 对于治疗感染至关重要,但可能导致毒性.
- 现有的VCM相关毒性预测模型存在局限性,包括不使用度-时间曲线 (AUC) 下的推面积,以及未能解决不平衡数据.
- 准确预测VCM诱导的损伤对于患者的安全和有效治疗至关重要.
研究的目的:
- 开发和验证一种新的机器学习模型,用于预测与菌素 (VCM) 相关的毒性.
- 将度-时间曲线 (AUC) 下的面积纳入并解决预测模型中的不平衡数据.
- 将新型模型的性能与传统的AUC引导治疗药物监测 (TDM) 进行比较.
主要方法:
- 追溯分析了270名静脉注射VCM的患者的病历.
- 使用诸如随机森林,拉索回归,支持矢量机,补充天真贝叶斯分类器,决策树和AdaBoost等算法开发机器学习模型.
- 应用合成少数超样本技术 (SMOTE) 和类权重来处理不平衡的数据;与AUC引导的TDM进行比较 (稳定状态AUC≤600μg·h/mL).
主要成果:
- 随机森林模型与SMOTE相结合,显示出卓越的性能.
- 最好的模型在测试数据上获得了0.353的F1得分和0.632的灵敏度.
- 这种模型显著优于传统的AUC导向TDM,其F1得分为0.286和灵敏度为0.316.
结论:
- 一个基于VCM的AUC的新型机器学习模型有效预测毒性.
- 与AUC引导的TDM相比,开发的模型识别了更多与VCM相关的毒性病例.
- 这种方法可以通过减少被忽视的损伤病例来改善患者的治疗结果.
相关概念视频
Determination of Renal Drug Clearance: Graphical and Midpoint Methods
The graphical method involves plotting the rate of drug excretion in urine against the plasma drug concentration. By analyzing the graph, the clearance can be calculated and obtained. Drugs rapidly excreted by the kidneys exhibit a...
Drug Accumulation During Multiple Dosing: Intermittent IV Infusions
Determination of Multiple Dosing Parameters: Steady-State, Minimum and Maximum Concentrations
Estimation of k and VD of Aminoglycosides
Drug Dosing in Renal Diseases: Estimation of Glomerular Filtration Rate Based on Serum Creatinine Concentration
Drug Dosing in Renal Diseases: Dose Adjustments Based on Drug Clearance and Elimination Rate Constant


