确定对瓦雷尼克林和纳尔特雷克松组合的治疗反应者
Suzanna Donato1, Lara A Ray1,2,3
1Department of Psychology, University of California, Los Angeles, California, USA.
鉴定酒精和烟草的共同使用的个性化治疗是至关重要的. 统计学习模型在临床试验中有效预测了戒烟和减少饮酒的反应者,突出了基线消费作为关键因素.
科学领域:
- 成 药物 药物 药物 药物
- 计算精神病学是一种计算精神病学.
- 临床药理学 临床药理学
背景情况:
- 由于药物治疗对药物治疗的反应的个体变化,酒精和烟草的共同使用带来了复杂的治疗挑战.
- 确定治疗反应的预测因素对于开发针对同时出现的物质使用障碍的个性化干预措施至关重要.
研究的目的:
- 应用统计学习方法来确定使用纳尔特雷和瓦雷尼克林戒烟和减少饮酒的个体中临床反应的预测因素.
- 探索机器学习在分析临床试验数据中对个性化治疗策略的有用性.
主要方法:
- 一个第二阶段,双盲,随机的临床试验,涉及165名日常吸烟者和大量饮酒者.
- 瓦伦尼克林加纳尔特雷克松与瓦伦尼克林加安慰剂的比较.
- 应用三种统计学习方法 (回归,LASSO回归,随机森林) 来识别戒烟 (尼古丁戒断) 和饮酒减少 (世卫组织风险水平) 的预测因素.
主要成果:
- 拉索回归证明了高准确度 (86%) 和AUC (0.88) 预测饮酒减少,主要预测因素包括基线酒精消费,吸烟冲动,第一次吸烟的年龄和教育水平.
- 对于尼古丁戒断,LASSO回归实现了0.69的AUC,重要的预测因素是药物状况,过期的CO水平,基线酒精消费,抑郁症状和教育.
- 统计学习模型与现有假设驱动的发现趋同,并被证明适用于临床试验数据集.
结论:
- 基线消费模式显著预测了戒烟和减少饮酒的治疗结果.
- 强调了酒精和吸烟之间的交叉关系,建议采取综合治疗方法.
- 已识别的候选变量需要进一步验证,以便为共用障碍制定个性化治疗策略.
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
04:29Vagus Nerve Stimulation As an Adjunctive Neurostimulation Tool in Treatment-resistant Depression
Published on: January 7, 2019
相关概念视频
Antidepressant Drugs: MAOIs and Other Agents
Chemotherapy-Induced Nausea and Vomiting: Dopamine Receptor Antagonists
Phenothiazines, such as prochlorperazine...
Chemotherapy-Induced Nausea and Vomiting: Cannabinoids
Two synthetic agonists of THC,...
Factors Affecting Drug Response: Overview
Chemotherapy-Induced Nausea and Vomiting: Neurokinin-1 Receptor Antagonists
Treatment Resistant Cancers
