通过BERT模型和机器学习技术优化糖尿病患者的华法林剂量

科学领域:

• 药物基因组学和计算生物学
• 心血管医学和血栓形成

背景情况:

• 糖尿病和心血管疾病正在增加,需要优化抗凝管理.
• 华法林的剂量需要在糖尿病患者中仔细考虑,因为复杂的相互作用.
• 准确的华法林剂量预测对于患者的安全和治疗疗效至关重要.

研究的目的:

• 评估机器学习模型的有效性,包括来自变压器的双向编码器表示 (BERT),用于预测糖尿病患者的华法林剂量.
• 在这个人群中确定个性化抗凝治疗的最佳机器学习算法.

主要方法:

• 利用IWPC数据集,包括患者的特征,如年龄,性别,糖尿病状况和人类学.
• 应用BERT模型进行上下文数据分析,并使用机器学习算法 (随机森林,KNN,MLP,线性回归,SVM) 进行剂量预测.
• 将数据分成80%用于培训和20%用于测试.

主要成果:

• 机器学习模型 (MLP,KNN,SVM,Random Forest) 在预测华法林剂量方面表现优于线性回归.
• 随机森林在训练期间显示了最低的平均绝对误差 (MAE),表明了优异的性能.
• 与Random Forest结合的BERT模型在预测治疗性华法林剂量方面表现出显著的有效性.

结论:

• 个性化抗凝管理对于服用华法林的糖尿病患者至关重要.
• 整合BERT和Random Forest等先进模型可以增强对华法林治疗的临床决策.
• 这些预测模型有潜力优化患者的治疗结果,并最大限度地减少抗凝药的不良事件.