在功能性消化不良中基于机器学习的草药反应预测:随机,评估者盲目的多中心试验协议
Chaehyun Park1, Hayun Jin1, Boram Lee2
1Department of Korean Internal Medicine, College of Korean Medicine, Kyung Hee University, Kyung Hee University Hospital at Gangdong, Seoul, Republic of Korea.
Frontiers in medicine
|February 27, 2026
概括
这项研究评估了一种机器学习算法,用于预测功能性消化不良 (FD) 患者的草药有效性. 该算法旨在通过推最有益的草药配方来个性化治疗,以改善胃肠道症状得分.
科学领域:
- 综合医学是一个整体的医学.
- 计算生物学 计算生物学
- 胃肠病学 胃肠病学
背景情况:
- 功能性消化不良 (FD) 是一个重大的临床挑战,通常需要个性化治疗方法.
- 传统草药提供多种配方,需要方法来指导个人患者的最佳选择.
- 机器学习 (ML) 在分析复杂的患者数据以预测治疗反应方面表现有前途.
研究的目的:
- 评估基于ML的算法对FD患者草药反应的预测准确度.
- 在临床试验环境中,将ML引导的草药治疗与标准护理的疗效进行比较.
- 探索人工智能驱动的方法在胃肠病学个性化医学的潜力.
主要方法:
- 使用XGBoost开发一种ML算法,以预测三种草药配方的疗效:Yijung-tang,Pyeongwi-san和Shihosogan-tang.
- 一个随机的,评估者盲目的多中心临床试验,涉及100名FD患者.
- 患者被分配到ML指导治疗组 (ACCORD) 或对照组 (DISCORD) 进行8周的治疗.
主要成果:
- 主要结局指标是胃肠道症状得分的变化.
- 二级结局包括总腹症状得分,患者报告的缓解和生活质量.
- 探索性分析涉及代谢学,微生物群分析和韩国医学诊断数据.
结论:
- 基于ML的草药预测系统可以增强功能性消化不良的临床决策.
- 这种方法支持将人工智能整合到个性化医疗战略中.
- 需要进一步的研究来验证和实施人工智能驱动的治疗建议在日常实践中.
