論文の概要: Machine Learning for Real-World Evidence Analysis of COVID-19
Pharmacotherapy
- arxiv url: http://arxiv.org/abs/2107.10239v1
- Date: Mon, 19 Jul 2021 16:28:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-23 00:51:36.301591
- Title: Machine Learning for Real-World Evidence Analysis of COVID-19
Pharmacotherapy
- Title（参考訳）: 新型コロナウイルスの薬物療法の実世界エビデンス分析のための機械学習
- Authors: Aurelia Bustos (1), Patricio Mas_Serrano (2 and 3), Mari L. Boquera
(2), Jose M. Salinas (4) ((1) MedBravo, (2) Hospital General Universitario de
Alicante Spain -HGUA, (3) Institute for Health and Biomedical Research of
Alicante -ISABIAL, (4) Department of Health Informatics, Hospital
Universitario San Juan de Alicante Spain)
- Abstract要約: 臨床から生成された実世界のデータは、新型コロナウイルスの薬物療法の実際の証拠を分析するために使用できる。
機械学習(ML)メソッドが使われており、精密医療のための有望なツールである。
本研究では,スペインバレンシア州における新型コロナウイルスの入院に対する治療法の有効性を検討するために,ML法を適用した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Introduction: Real-world data generated from clinical practice can be used to
analyze the real-world evidence (RWE) of COVID-19 pharmacotherapy and validate
the results of randomized clinical trials (RCTs). Machine learning (ML) methods
are being used in RWE and are promising tools for precision-medicine. In this
study, ML methods are applied to study the efficacy of therapies on COVID-19
hospital admissions in the Valencian Region in Spain. Methods: 5244 and 1312
COVID-19 hospital admissions - dated between January 2020 and January 2021 from
10 health departments, were used respectively for training and validation of
separate treatment-effect models (TE-ML) for remdesivir, corticosteroids,
tocilizumab, lopinavir-ritonavir, azithromycin and
chloroquine/hydroxychloroquine. 2390 admissions from 2 additional health
departments were reserved as an independent test to analyze retrospectively the
survival benefits of therapies in the population selected by the TE-ML models
using cox-proportional hazard models. TE-ML models were adjusted using
treatment propensity scores to control for pre-treatment confounding variables
associated to outcome and further evaluated for futility. ML architecture was
based on boosted decision-trees. Results: In the populations identified by the
TE-ML models, only Remdesivir and Tocilizumab were significantly associated
with an increase in survival time, with hazard ratios of 0.41 (P = 0.04) and
0.21 (P = 0.001), respectively. No survival benefits from chloroquine
derivatives, lopinavir-ritonavir and azithromycin were demonstrated. Tools to
explain the predictions of TE-ML models are explored at patient-level as
potential tools for personalized decision making and precision medicine.
Conclusion: ML methods are suitable tools toward RWE analysis of COVID-19
pharmacotherapies. Results obtained reproduce published results on RWE and
validate the results from RCTs.
- Abstract（参考訳）: 紹介: 臨床実践から生成された実世界データを用いて、COVID-19薬理療法の実世界証拠(RWE)を分析し、ランダム化臨床試験(RCTs)の結果を検証することができる。
機械学習(ML)メソッドは、RWEで使われており、正確医療のための有望なツールである。
本研究では,スペインバレンシア州における新型コロナウイルスの入院に対する治療法の有効性を検討するためにML法を適用した。
方法】remdesivir,corticosteroids,tocilizumab,lopinavir-ritonavir,azithromycin,chloroquine/hydroxychloroqui neの分離治療効果モデル(te-ml)のトレーニングと検証には,2020年1月から2021年1月までの入院期間がそれぞれ5244回と1312回であった。
te-mlモデルによって選択された集団における治療の生存利益をcox-proportional hazardモデルを用いて振り返り分析するために,追加2つの保健部門からの2390件の入院を独立したテストとして予約した。
TE-MLモデルでは, 治療適応度スコアを用いて, 結果関連変数の事前処理を制御し, 実用性についてさらに評価した。
MLアーキテクチャは、強化された決定ツリーに基づいている。
結果: TE-MLモデルで同定された個体群では, Remdesivir と Tocilizumab のみが生存時間の増加に大きく関連しており, それぞれ0.41 (P = 0.04) と0.21 (P = 0.001) であった。
クロロキン誘導体,ロピナビルリトナビルおよびアジスロマイシンの生存効果は示さなかった。
TE-MLモデルの予測を患者レベルで説明するためのツールは、パーソナライズされた意思決定と精密医療のための潜在的なツールとして検討されている。
結論: ML 法は COVID-19 薬剤療法の RWE 解析に適したツールである。
その結果, RWEの結果を再現し, RCTの結果を検証した。
関連論文リスト
- Causal machine learning for predicting treatment outcomes [75.13093479526151]
Causal Machine Learning (ML)は、治療結果を予測するフレキシブルでデータ駆動の方法を提供する。
因果MLの主な利点は、個別化された治療効果を推定できることである。
論文 参考訳（メタデータ） (2024-10-11T12:39:08Z) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - CT-ADE: An Evaluation Benchmark for Adverse Drug Event Prediction from Clinical Trial Results [0.10051474951635876]
副作用薬物イベント(ADE)は臨床研究に大きな影響を与え、多くの臨床試験失敗を引き起こした。
この取り組みを支援するために,単薬理治療におけるADEのマルチラベル予測モデルであるCT-ADEを導入する。
CT-ADEは、臨床試験から抽出された168,984種類の薬物とADEのペアを含む2,497種類のユニークな薬物のデータを統合する。
論文 参考訳（メタデータ） (2024-04-19T12:04:32Z) - Performance of externally validated machine learning models based on
histopathology images for the diagnosis, classification, prognosis, or
treatment outcome prediction in female breast cancer: A systematic review [0.5792122879054292]
女性乳癌の診断、分類、予後、治療結果予測のための外部検証された機械学習モデル。
診断用MLモデル3例,分類用4例,予後用2例,予後用1例について検討した。
ほとんどの研究では畳み込みニューラルネットワークとロジスティック回帰アルゴリズムが使用されている。
論文 参考訳（メタデータ） (2023-12-09T18:27:56Z) - Prediction of drug effectiveness in rheumatoid arthritis patients based
on machine learning algorithms [2.5759046095742453]
慢性関節リウマチ(RA)は、患者の免疫系が誤って自身の組織を標的としたときに引き起こされる自己免疫疾患である。
機械学習(ML)は、患者の電子的健康記録のパターンを特定し、患者の結果を改善する最良の臨床治療を予測する可能性がある。
本研究は, 臨床データから情報を取り出すためのデータ処理パイプラインを設計し, 機能的使用のために前処理し, 2) 薬物に対するRA患者の反応を予測し, 分類モデルの性能を評価するためのTNFフレームワークを導入した。
論文 参考訳（メタデータ） (2022-10-14T15:15:37Z) - Machine Learning and Glioblastoma: Treatment Response Monitoring
Biomarkers in 2021 [0.3266995794795542]
組織的検討の目的は,成人のグリオブラスト腫治療反応モニタリングバイオマーカーの診断検査精度に関する最近の研究を評価することである。
MRI機能を使用して進行と模倣を区別する機械学習モデルの良好な診断性能がある可能性が高い。
暗黙的特徴を用いたMLの診断性能は明示的特徴を用いたMLよりも優れていなかった。
論文 参考訳（メタデータ） (2021-04-15T10:49:34Z) - 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) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z) - Deep learning-based prediction of response to HER2-targeted neoadjuvant
chemotherapy from pre-treatment dynamic breast MRI: A multi-institutional
validation study [0.5149010213385097]
乳がんにおけるネオアジュバント療法の適応予測は, 重篤な課題である。
ディープラーニングは、乳がんの標的治療をガイドするための、効果的で信頼性の高いツールを提供する。
論文 参考訳（メタデータ） (2020-01-22T17:54:24Z)
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。