論文の概要: Evaluating the Effect of Longitudinal Dose and INR Data on Maintenance Warfarin Dose Predictions

• arxiv url: http://arxiv.org/abs/2105.02625v1
• Date: Thu, 6 May 2021 13:01:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-07 13:14:03.420895
• Title: Evaluating the Effect of Longitudinal Dose and INR Data on Maintenance Warfarin Dose Predictions
• Title（参考訳）: 持続性ワーファリン線量予測における経時線量とinrデータの影響評価
• Authors: Anish Karpurapu, Adam Krekorian, Ye Tian, Leslie M. Collins, Ravi Karra, Aaron Franklin and Boyla O. Mainsah
• Abstract要約: 機械学習アルゴリズムはますますウォーファリンの投与に使われている。 個々のワーファリン反応の変動を,事前線量列とinrがよりよく捉えるので,持続線量応答データが維持線量予測を改善すると仮定した。 保守ワーファリン用量を予測するための様々な機械学習回帰モデルは、臨床要因と投与履歴とINRデータを特徴として訓練された。 総じて、単線量とINRによる線量補正アルゴリズムは、基準線量修正アルゴリズムと同等の性能を達成した。
• 参考スコア（独自算出の注目度）: 3.596035360729756
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Warfarin, a commonly prescribed drug to prevent blood clots, has a highly variable individual response. Determining a maintenance warfarin dose that achieves a therapeutic blood clotting time, as measured by the international normalized ratio (INR), is crucial in preventing complications. Machine learning algorithms are increasingly being used for warfarin dosing; usually, an initial dose is predicted with clinical and genotype factors, and this dose is revised after a few days based on previous doses and current INR. Since a sequence of prior doses and INR better capture the variability in individual warfarin response, we hypothesized that longitudinal dose response data will improve maintenance dose predictions. To test this hypothesis, we analyzed a dataset from the COAG warfarin dosing study, which includes clinical data, warfarin doses and INR measurements over the study period, and maintenance dose when therapeutic INR was achieved. Various machine learning regression models to predict maintenance warfarin dose were trained with clinical factors and dosing history and INR data as features. Overall, dose revision algorithms with a single dose and INR achieved comparable performance as the baseline dose revision algorithm. In contrast, dose revision algorithms with longitudinal dose and INR data provided maintenance dose predictions that were statistically significantly much closer to the true maintenance dose. Focusing on the best performing model, gradient boosting (GB), the proportion of ideal estimated dose, i.e., defined as within $\pm$20% of the true dose, increased from the baseline (54.92%) to the GB model with the single (63.11%) and longitudinal (75.41%) INR. More accurate maintenance dose predictions with longitudinal dose response data can potentially achieve therapeutic INR faster, reduce drug-related complications and improve patient outcomes with warfarin therapy.
• Abstract（参考訳）: 血液凝固を予防するための一般的に処方される薬物であるウォーファリンは、非常に可変な個々の反応を持つ。 国際正規化比(inr)によって測定された治療用血液凝固時間を達成する維持用ワーファリン線量の決定は、合併症の予防に不可欠である。 ウォーファリン投与には機械学習アルゴリズムが用いられており、通常、初期投与量は臨床および遺伝子型因子で予測され、この服用量は以前の服用量と現在のinrに基づいて数日後に改訂される。 個々のワーファリン反応の変動を,事前線量列とinrがよりよく捉えるので,持続線量応答データが維持線量予測を改善すると仮定した。 この仮説を検証するため,臨床データ,ワーファリン服用量,INR測定量,INR治療時の維持用量を含むCOAG Warfarin用量研究のデータセットを分析した。 各種機械学習回帰モデルを用いて, 維持ワーファリン投与量の予測を行い, 臨床因子, 投薬履歴, INRデータを特徴として訓練した。 総じて、単線量とINRによる線量補正アルゴリズムは、基準線量修正アルゴリズムと同等の性能を達成した。 一方, 経時線量とINRデータを用いた線量補正アルゴリズムでは, 統計的に真の線量にかなり近い維持線量予測が可能であった。 最高の性能モデル(GB)に焦点を当てると、理想的な推定線量の割合、すなわち真の線量のうち、$\pm$20%以内と定義されるものは、ベースライン(54.92%)から1本(63.11%)と縦(75.41%)のGBモデルへと増加した。 経時的線量反応データによるより正確な維持用量予測は、治療のINRを早く達成し、薬物関連合併症を減らし、ワルファリン治療による患者結果を改善する可能性がある。

関連論文リスト

• Inverse Probability of Treatment Weighting with Deep Sequence Models Enables Accurate treatment effect Estimation from Electronic Health Records [1.1824562114990471]
  治療重み付けの逆確率 (IPTW) は広く用いられている確率スコア法である。 我々は,IMTWを用いて,クレームレコードを用いた時間依存コンバウンディングの存在下での処理効果を推定することを提案する。 ディープシークエンスモデルは、様々な下流タスクのためのEHRのモデリングにおいて優れた性能を示している。
  論文  参考訳（メタデータ） (2024-06-13T06:29:16Z)
• Machine learning for dynamically predicting the onset of renal replacement therapy in chronic kidney disease patients using claims data [0.89379057739817]
  慢性腎疾患(CKD)は徐々に進行する疾患であり、最終的には腎置換療法(RRT)を必要とする。 RRTを必要とする患者の早期発見は、患者の結果を改善する。 RRT開始に一般的に使用される予測ツールはない。
  論文  参考訳（メタデータ） (2022-09-03T17:50:27Z)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• Change Matters: Medication Change Prediction with Recurrent Residual Networks [52.34011841798978]
  MICRONは、隠れた薬のベクターと、再建設計で繰り返し設定された薬を更新することを学ぶ。 MICRONはF1スコアで最高のベースラインよりも3.5%と7.8%の相対的な改善を達成している。
  論文  参考訳（メタデータ） (2021-05-05T05:51:30Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Kernel Assisted Learning for Personalized Dose Finding [20.52632915107782]
  個別化線量規則は、患者レベル情報に基づいて、連続した安全な線量範囲内の線量レベルを推奨する。 本稿では,最適な個別化線量規則を推定するためのカーネル支援学習法を提案する。
  論文  参考訳（メタデータ） (2020-07-19T23:03:26Z)
• Development of a Machine Learning Model and Mobile Application to Aid in Predicting Dosage of Vitamin K Antagonists Among Indian Patients [0.0]
  機械的心臓弁置換や心房細動などの病態を持つ患者は、血液の凝固を防ぐためにビタミンKアンタゴニスト(VKA)薬を服用しなければならない。 血液検査により得られたプロトロンビン時間-国際正規化比(PT-INR)値に基づいて、VKA薬物の服用量を決定する。 現在最も推奨されている抗凝固剤であるワーファリンの維持投与量の予測を目的とした。
  論文  参考訳（メタデータ） (2020-04-19T05:54:58Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。