論文の概要: Discovering Drug-Drug and Drug-Disease Interactions Inducing Acute
Kidney Injury Using Deep Rule Forests
- arxiv url: http://arxiv.org/abs/2007.02103v1
- Date: Sat, 4 Jul 2020 14:10:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 13:19:43.024556
- Title: Discovering Drug-Drug and Drug-Disease Interactions Inducing Acute
Kidney Injury Using Deep Rule Forests
- Title(参考訳): 深層森林を用いた急性腎損傷の誘発における薬物・薬物・薬物・薬物の相互作用の解明
- Authors: Bowen Kuo, Yihuang Kang, Pinghsung Wu, Sheng-Tai Huang, Yajie Huang
- Abstract要約: 急性腎臓損傷(AKI)における薬物と薬物の相互作用と薬物と薬物の相互作用
本稿では,多層木モデルから薬物使用量と疾患適応の組合せとしてルールを発見する新しい学習アルゴリズムであるDeep Rule Forests (DRF)を提案する。
実験の結果,DRFモデルは,予測精度とモデル解釈可能性の観点から,通常の木に基づく他の最先端アルゴリズムよりも比較的優れた性能を示した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Patients with Acute Kidney Injury (AKI) increase mortality, morbidity, and
long-term adverse events. Therefore, early identification of AKI may improve
renal function recovery, decrease comorbidities, and further improve patients'
survival. To control certain risk factors and develop targeted prevention
strategies are important to reduce the risk of AKI. Drug-drug interactions and
drug-disease interactions are critical issues for AKI. Typical statistical
approaches cannot handle the complexity of drug-drug and drug-disease
interactions. In this paper, we propose a novel learning algorithm, Deep Rule
Forests (DRF), which discovers rules from multilayer tree models as the
combinations of drug usages and disease indications to help identify such
interactions. We found that several disease and drug usages are considered
having significant impact on the occurrence of AKI. Our experimental results
also show that the DRF model performs comparatively better than typical
tree-based and other state-of-the-art algorithms in terms of prediction
accuracy and model interpretability.
- Abstract(参考訳): 急性腎臓損傷(AKI)の患者は死亡率、死亡率、長期的有害事象を増大させる。
そのため、早期のAKIの同定は腎機能の回復を改善し、合併症を減少させ、患者の生存をさらに改善させる可能性がある。
AKIのリスクを低減するためには、特定のリスク要因を制御し、目標とする予防戦略を開発することが重要である。
薬物-薬物相互作用と薬物-ジセアーゼ相互作用はakiにとって重要な問題である。
典型的な統計的アプローチは、薬物と薬物の相互作用の複雑さに対処できない。
本稿では,薬物使用量と疾患の指標を組み合わせた多層木モデルからルールを発見し,それらの相互作用を識別する新しい学習アルゴリズムであるDeep Rule Forests (DRF)を提案する。
その結果,AKIの発生にいくつかの疾患や薬物の使用が大きな影響を及ぼすことが明らかとなった。
実験の結果,DRFモデルは,予測精度とモデル解釈可能性の観点から,通常の木に基づく他の最先端アルゴリズムよりも比較的優れた性能を示した。
関連論文リスト
- Enhancing Acute Kidney Injury Prediction through Integration of Drug
Features in Intensive Care Units [0.0]
急性腎障害(AKI)予測と腎障害薬との関連は, 治療現場ではまだ検討されていない。
そこで本研究では,患者処方データをモダリティとして活用し,既存のAKI予測モデルを改善する手法を提案する。
論文 参考訳(メタデータ) (2024-01-09T05:42:32Z) - Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural
Network with Biomedical Network [69.16939798838159]
本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。
EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。
全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
論文 参考訳(メタデータ) (2023-11-15T06:34:00Z) - Improving Opioid Use Disorder Risk Modelling through Behavioral and
Genetic Feature Integration [3.524972282521988]
オピオイドは急性および慢性の痛みに対して効果的な鎮痛薬であるが、中毒のリスクを負い、毎年数百万のオピオイド使用障害(OUD)と数万の早死にを経験する。
我々は、OUDに関連する遺伝的変異とGPSとWi-Fiの時間座標から抽出した行動特徴を組み合わせ、OUDリスクを評価するための実験的設計および計算方法を開発した。
論文 参考訳(メタデータ) (2023-09-19T17:01:28Z) - Drug Interaction Vectors Neural Network: DrIVeNN [0.7624669864625037]
ポリファーマシー(英: Poly Pharmacy)とは、複数の薬物を同時に併用して単一の疾患を治療することである。
ポリファーマシーに関連する多くの重篤なADEは、薬物の使用後にのみ知られるようになる。
臨床試験において、あらゆる可能な薬物の組み合わせをテストすることは不可能である。
論文 参考訳(メタデータ) (2023-08-26T14:24:41Z) - ADRNet: A Generalized Collaborative Filtering Framework Combining
Clinical and Non-Clinical Data for Adverse Drug Reaction Prediction [49.56476929112382]
逆薬物反応(ADR)予測は、医療と薬物発見において重要な役割を果たす。
ADRNetは、臨床データと非臨床データを組み合わせた一般的な協調フィルタリングフレームワークである。
論文 参考訳(メタデータ) (2023-08-03T11:28:12Z) - Analysis and Evaluation of Explainable Artificial Intelligence on
Suicide Risk Assessment [32.04382293817763]
本研究では,自殺リスク予測における説明可能な人工知能(XAI)技術の有効性について検討した。
データ拡張技術とMLモデルは、関連するリスクを予測するために使用される。
高い収入、高い職業、大学教育を持つ患者は、最もリスクが低い。
論文 参考訳(メタデータ) (2023-03-09T05:11:46Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳(メタデータ) (2023-01-14T15:07:43Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳(メタデータ) (2022-04-20T17:28:08Z) - Why Interpretable Causal Inference is Important for High-Stakes Decision
Making for Critically Ill Patients and How To Do It [80.24494623756839]
重症心身障害患者に対する因果関係評価のための枠組みを提案する。
この枠組みは、脳の発作やその他の潜在的に有害な電気的事象が結果に与える影響に適用する。
論文 参考訳(メタデータ) (2022-03-09T18:03:35Z) - Patient ADE Risk Prediction through Hierarchical Time-Aware Neural
Network Using Claim Codes [5.288589720985491]
本研究の目的は、クレームコードに記録された患者医療履歴に基づいて、標的薬剤が標的患者に誘導するパーソナライズされたADEリスクを評価することである。
我々は,クレームコードの特徴とそれらの関係を捉えるHTNNRモデル(階層的時間認識ニューラルネットワーク for ADE Risk)を開発した。
論文 参考訳(メタデータ) (2020-08-20T13:24:54Z) - Learning for Dose Allocation in Adaptive Clinical Trials with Safety
Constraints [84.09488581365484]
新しい化合物の有効性と毒性の関係がより複雑になるにつれて、第1相線量測定試験はますます困難になっている。
最も一般的に使われている方法は、毒性事象のみから学習することで、最大許容量(MTD)を特定することである。
本稿では, 毒性安全性の制約を高い確率で満たしつつ, 累積効果を最大化することを目的とした, 適応型臨床試験手法を提案する。
論文 参考訳(メタデータ) (2020-06-09T03:06:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。