在服用第二代抗精神病药物的儿童和青少年中,预测与抗精神病药物相关的体重增加:一种机器学习方法

科学领域:

• 儿科药理学 儿科药理学
• 计算医学是一种计算医学.
• 生物统计学 生物统计学

背景情况:

• 第二代抗精神病药物 (SGA) 与儿童群体的显著心脏代谢风险有关.
• 与抗精神病药物相关的体重增加 (AAWG) 是一个主要问题,需要积极管理.

研究的目的:

• 开发一种机器学习 (ML) 算法,用于预测儿童和青少年AAWG的实时风险.
• 为了实现AAWG的动态,个性化风险评估.

主要方法:

• 使用了IQVIA门诊EMR-US数据库 (2016年12月至2021年6月) 对以前没有接受过治疗的SGA接受者.
• 使用基线和时间变化的特征训练了四个ML模型 (MLR,CART,MRF,Xgboost).
• 预测BMIz-score的相对变化,分为轻微,中度和严重的AAWG.

主要成果:

• 分析了10,997名儿科患者,其中64%的患者经历了轻微的,10%的中度和26%的严重的AAWG.
• 极端梯度增强 (Xgboost) 和多类随机森林 (MRF) 模型显示出高性能 (AUC ~87%).
• 使用基线和时间变化的数据的模型实现了卓越的预测准确性.

结论:

• 机器学习算法可以准确预测儿科患者个体AAWG风险.
• 这些预测模型为个性化监测和及时干预提供了一条途径.
• 动态风险预测有助于在年轻人中主动管理心脏代谢副作用.