机器学习预测药物遗传检测摄入量在使用电子健康记录的阿片类药物处方患者中:回顾性队列研究
Mohammad Yaseliani1, Je-Won Hong2, Jiang Bian3,4
1Department of Pharmaceutical Outcomes and Policy, College of Pharmacy, University of Florida, 1889 Museum Road, Malachowsky Hall, Suite 6300, Gainesville, FL, 32611, United States, 1 352-273-6276.
机器学习模型可以预测阿片类药物使用者的药物遗传测试吸收率,识别可能受益于个性化疼痛管理的患者. 这有助于临床医生优化治疗决策并改善患者的治疗结果.
科学领域:
- 药物基因组学 药物基因组学
- 机器学习 机器学习
- 医疗信息学 医疗信息学
背景情况:
- 对疼痛的阿片类药物治疗显示出不同的疗效和不良反应.
- 药物遗传学测试提供个性化阿片类药物治疗,但面临着较低的吸收.
- 药物遗传测试的障碍包括患者,提供者,基础设施和财务因素.
研究的目的:
- 开发机器学习 (ML) 模型来预测阿片类药物使用者的药物遗传测试吸收率.
- 确定影响测试可能性的关键人口,临床和社会决定因素.
- 改善资源分配和疼痛管理中的患者结果.
主要方法:
- 利用来自单一医疗保健系统的电子健康记录数据.
- 提取了患者的人口统计,临床变量,药物使用和健康的社会决定因素.
- 开发并验证了多种ML模型,包括集体方法,用于吸收预测.
主要成果:
- 结合XGBoost和SVM的整体模型实现了最高的C统计 (79.61%).
- 整体模型显示了高精度 (67.38%) 和回忆 (76.50%).
- 年龄,高血压和家庭收入被确定为药物遗传检测吸收的关键预测因素.
结论:
- 开发的组合模型有效地预测了阿片类药物处方患者的药物遗传测试吸收率.
- 这种ML模型可以作为临床医生的决策支持工具.
- 优化药物遗传测试可以增强个性化疼痛管理策略.
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
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
相关概念视频
Purpose of Health Records I
Here's a breakdown of how health records serve these purposes:
Purpose of Health Records II
Opioid Analgesics: Synthetic and Semisynthetic Opioids
Predicting Molecular Geometry
Data Reporting and Recording
Opioid Receptors: Overview
