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

• HACSurv: A Hierarchical Copula-based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
  HACSurvは、競合するリスクを持つデータから構造や原因特異的生存関数を学習する生存分析手法である。 リスクと検閲の間の依存関係をキャプチャすることで、HACSurvはより良い生存予測を実現する。
  論文  参考訳（メタデータ） (2024-10-19T18:52:18Z)
• Testing Causal Explanations: A Case Study for Understanding the Effect of Interventions on Chronic Kidney Disease [1.2449538970962482]
  我々は大規模な電子健康記録データセットを用いた方法論を開発した。 回帰不連続性の原理は、専門家主導の介入をテストするためにランダム化されたデータサブセットを導出するために用いられた。 この方法論は、実際のEHRデータを用いて、人口レベルの洞察を提供し、医療提供の改善を知らせる方法を示している。
  論文  参考訳（メタデータ） (2024-10-15T20:34:36Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• AI-Driven Predictive Analytics Approach for Early Prognosis of Chronic Kidney Disease Using Ensemble Learning and Explainable AI [0.26217304977339473]
  慢性腎臓病(英: chronic Kidney Disease、CKD)は、腎臓の構造と機能に大きな影響を及ぼし、最終的に腎不全を引き起こす異種性疾患である。 本研究の目的は、アンサンブル学習と説明可能なAIを用いて、早期予後とCKDの検出のための支配的特徴、特徴スコア、および値の可視化である。
  論文  参考訳（メタデータ） (2024-06-10T18:46:14Z)
• 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)
• 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)
• 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)
• 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)

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。