使用临床合规数据进行治疗反应动态建模的智能框架

科学领域:

• 计算健康信息学 计算健康信息学
• 医学中的人工智能.
• 药物治疗模型的建模.

背景情况:

• 现实世界的临床数据为动态药物行为建模和个性化治疗提供了机会.
• 复杂,不完整的数据对现有模型在捕捉不遵守,患者特定动态和药物相互作用方面提出了挑战.
• 当前的统计和基于规则的系统与高维,时间和概率的药物治疗轨迹特征进行斗争.

研究的目的:

• 提出一个新的智能计算框架,集成概率图形建模,深度时间推理和基于领域的策略设计.
• 开发层次治疗变压器 (HTT),这是一个贝叶斯变压器模型,用于捕捉治疗状态转换.
• 引入药监督诱导策略 (PIS) 进行强有力的和可通用的培训,包括药理学先验和自适应量化.

主要方法:

• 层次治疗变压器 (HTT) 使用结构化的潜变量和药物意识的注意力机制.
• 药监督诱导策略 (PIS) 采用驱动的课程学习和药理学先验.
• 该框架模拟剂量-反应变异性,处理缺失的临床数据,并通过层次性的潜伏先验在患者队列中进行概括.

主要成果:

• 拟议的系统在预测坚持模式和临床结果方面实现了最先进的性能.
• 实验评估证实了该模型在各种数据集中的有效性.
• 该方法与药物坚持建模和概率健康信息学方面的进步保持一致.

结论:

• 这项工作为实时药物治疗决策支持建立了严格,可解释和可扩展的基础.
• 该框架有助于个性化医疗,药物安全监测和计算临床推理.
• 开发的智能计算系统增强了对药物行为的理解和管理.