使用机器学习预测克洛扎诱导的不良药物反应生物标志物
John-Paul Cooper1, Pierre Chue1,2, Arno G Siraki1,2
1Faculty of Pharmacy and Pharmaceutical Sciences, College of Health Sciences, University of Alberta, Edmonton, AB, T6G 2R3, Canada.
Scientific reports
|July 15, 2025
概括
机器学习模型可以预测克洛扎诱导的细胞分裂症,这是这种精神分裂症药物的严重副作用. 这种预测工具通过在严重的药物不良反应发生之前识别高风险个体来提高患者的安全性.
科学领域:
- 药物监督 药物监督 药物监督
- 医疗保健中的机器学习
- 精神分裂症治疗 治疗精神分裂症
背景情况:
- 克洛沙平是治疗耐药精神分裂症的关键抗精神病药物.
- 严重的中性质减退 (腺细胞瘤) 是与克洛扎相关的危险药物不良反应 (ADR).
- 目前的方法无法可靠地预测克洛扎诱导的细胞瘤,限制了其使用.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测服用克洛札的患者的农细胞瘤.
- 通过早期识别有这种严重ADR风险的个体,提高患者安全.
主要方法:
- 使用了加拿大警不良反应在线数据库 (9395份报告).
- 通过重新采样技术和适当的指标来预测罕见事件,解决了类不平衡.
- 评估了五种ML算法,其中渐变增强和合成少数人过量采样技术 (GB-SMOTE) 的表现最好.
主要成果:
- GB-SMOTE模型实现了0.85的召回率,AUC-PR为0.77,以及0.56.6的马修斯相关系数.
- SHAP分析确定了血液/淋巴系统疾病,白细胞症和中性质衰竭作为关键预测因素.
- 该模型显示了预测克洛扎诱导的农细胞瘤的显著潜力.
结论:
- 机器学习提供了一个有前途的方法来预测克洛扎诱导的农细胞瘤.
- 这种预测框架可以提高精神分裂症管理中的药物监测和患者安全.
- 早期预测ADR可以帮助优化慢性精神分裂症患者的克洛扎宾治疗.
更多相关视频
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
8.3K
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.6K
