在神经分歧中药物管理的精确健康方法:使用四个国际队列的模型开发和验证研究
Marlee M Vandewouw1,2,3, Kamran Niroomand1, Harshit Bokadia1
1Autism Research Center, Bloorview Research Institute, Holland Bloorview Kids Rehabilitation Hospital, Toronto, Canada.
人工智能 (AI) 模型可以预测神经分歧儿童的药物成功,改善治疗个性化. 这些人工智能工具显示出增强药物管理和支持社区环境中的临床决策的前景.
科学领域:
- 神经科学是一个神经科学.
- 计算精神病学是一种计算精神病学.
- 儿科药理学 儿科药理学
背景情况:
- 精神药物经常被处方给神经分歧的儿童,但治疗的有效性有很大的不同.
- 这种变异性在处方方面带来了挑战,往往导致多种药物试验.
- 开发预测模型可以优化药物选择并改善患者的治疗结果.
研究的目的:
- 开发和验证人工智能 (AI) 模型,用于预测精神药物在神经分离儿童中的成功.
- 从电子病历 (EMR) 纵向评估使用人工智能来预测按类 (兴奋剂,抗抑郁药,抗精神病药) 预测药物选择的可行性.
主要方法:
- 人工智能模型使用来自三个研究队列 (POND,HBN,ABCD) 的横截面数据进行训练,以预测药物使用情况.
- 来自EMR队列 (精神药理学计划 - PPP) 的纵向数据被用来预测药物治疗的成功.
- 采用堆叠组合模型,使用接收操作特征曲线 (AU-ROC) 下的面积来评估性能.
主要成果:
- 内部测试 (POND) 显示了高的AU-ROC值:兴奋剂为0.72,抗抑郁药为0.83,抗精神病药为0.79.
- 在HBN和ABCD队列的外部验证证实了模型的通用性.
- 在EMR队列 (PPP) 显示出强大的预测性能,AU-ROC值为0.90的抗精神病药,0.82的兴奋剂,和0.82的抗抑郁药.
结论:
- 人工智能模型可以准确地预测神经分歧儿童的药物成功,反映专家临床医生的决定.
- 这些发现支持人工智能驱动的决策辅助工具在临床实践中增强药物管理的潜力.
- 人工智能工具可以促进个性化护理和更快地获得有效的治疗方法,同时承认临床和社会人口因素的影响.
更多相关视频
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
10:02Event Related Potentials ERPs and other EEG Based Methods for Extracting Biomarkers of Brain Dysfunction: Examples from Pediatric Attention Deficit/Hyperactivity Disorder ADHD
Published on: March 12, 2020
相关概念视频
Drug Therapy
Antianxiety Medications
Psychosis: Goals of Pharmacotherapy
Psychosis and Antipsychotic Drugs: Overview
Factors Affecting Drug Response: Overview
Parkinson's Disease: Treatment
Parkinson's Disease is primarily a result of the loss of dopaminergic neurons in the substantia nigra pars compacta. The cornerstone of...
Methods of Documentation VI: Case Management Model
For example, a patient with a chronic...
