論文の概要: Predicting tacrolimus exposure in kidney transplanted patients using
machine learning
- arxiv url: http://arxiv.org/abs/2205.07858v1
- Date: Mon, 9 May 2022 08:43:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-22 11:19:44.354121
- Title: Predicting tacrolimus exposure in kidney transplanted patients using
machine learning
- Title(参考訳): 機械学習を用いた腎移植患者のタクロリムス曝露予測
- Authors: Andrea M. Stor{\aa}s, Anders {\AA}sberg, P{\aa}l Halvorsen, Michael A.
Riegler and Inga Str\"umke
- Abstract要約: 移植臓器の拒絶や重篤な副作用を避けるためにはタクロリムスの薬物モニタリングが必要である。
腎移植患者のタクロリムス曝露を機械学習で推定する手法を提案する。
- 参考スコア(独自算出の注目度): 0.6833080291960666
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tacrolimus is one of the cornerstone immunosuppressive drugs in most
transplantation centers worldwide following solid organ transplantation.
Therapeutic drug monitoring of tacrolimus is necessary in order to avoid
rejection of the transplanted organ or severe side effects. However, finding
the right dose for a given patient is challenging, even for experienced
clinicians. Consequently, a tool that can accurately estimate the drug exposure
for individual dose adaptions would be of high clinical value. In this work, we
propose a new technique using machine learning to estimate the tacrolimus
exposure in kidney transplant recipients. Our models achieve predictive errors
that are at the same level as an established population pharmacokinetic model,
but are faster to develop and require less knowledge about the pharmacokinetic
properties of the drug.
- Abstract(参考訳): タクロリムス(Tacrolimus)は、世界中の移植センターにおいて、固形臓器移植後の免疫抑制薬の1つである。
移植臓器の拒絶や重篤な副作用を避けるためには,タクロリムスの治療薬モニタリングが必要である。
しかし, 経験豊富な臨床医であっても, 適切な服用量を見つけることは困難である。
したがって、個々の線量適応のための薬物曝露を正確に推定できるツールは、高い臨床的価値である。
そこで本研究では, 腎移植患者におけるタクロリムス曝露を機械学習を用いて推定する新しい手法を提案する。
我々のモデルは確立された集団薬物動態モデルと同等のレベルの予測誤差を達成するが、より早く開発でき、薬物の薬物動態特性に関する知識も少ない。
関連論文リスト
- A Transformer-Based Deep Learning Approach for Fairly Predicting
Post-Liver Transplant Risk Factors [19.00784227522497]
肝移植は、末期肝疾患患者の救命法である。
現在のスコアシステムは、90日以内に臓器を受け取らなければ患者の死亡リスクを評価する。
心血管疾患や慢性拒絶などの移植後リスク因子は移植後の合併症である。
論文 参考訳(メタデータ) (2023-04-05T22:54:26Z) - Fairly Predicting Graft Failure in Liver Transplant for Organ Assigning [61.30094367351618]
肝移植は肝疾患に対して必要不可欠な治療法である。
機械学習モデルは不公平であり、特定のグループに対する偏見を引き起こす可能性がある。
本研究は,肝移植における移植不全予測を目的とした,公正な機械学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-02-18T18:24:58Z) - 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) - Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。
本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
論文 参考訳(メタデータ) (2022-02-08T09:42:08Z) - RECOVER: sequential model optimization platform for combination drug
repurposing identifies novel synergistic compounds in vitro [46.773794687622825]
深層学習モデルに適用した逐次モデル最適化探索を用いて,がん細胞株に対して高い相乗効果を持つ薬物の組み合わせを迅速に発見する。
モデルによりクエリされた組み合わせの集合は、非常にシナジスティックな組み合わせに富んでいることがわかった。
臨床的に検討中であることが判明した相乗効果薬の併用が再発見された。
論文 参考訳(メタデータ) (2022-02-07T02:54:29Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳(メタデータ) (2021-10-24T18:58:40Z) - 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) - Predicting Kidney Transplant Survival using Multiple Feature
Representations for HLAs [5.081264894734788]
本稿では,HLA情報を機械学習に基づく生存分析アルゴリズムに組み込む生体関連特徴表現を提案する。
提案したHLAの特徴表現を10万以上の移植のデータベースで評価し,予測精度を約1%向上させた。
論文 参考訳(メタデータ) (2021-03-04T20:22:47Z) - iPhantom: a framework for automated creation of individualized
computational phantoms and its application to CT organ dosimetry [58.943644554192936]
本研究の目的は、患者固有の幻覚やデジタル双眼鏡の自動作成のための新しいフレームワーク、iPhantomを開発し、検証することである。
この枠組みは、個々の患者のCT画像における放射線感受性臓器への放射線線量を評価するために応用される。
iPhantomは、アンカーオルガンのDice similarity Coefficients (DSC) >0.6の精度で全ての臓器の位置を正確に予測し、他のオルガンのDSCは0.3-0.9である。
論文 参考訳(メタデータ) (2020-08-20T01:50:49Z) - Discovering Drug-Drug and Drug-Disease Interactions Inducing Acute
Kidney Injury Using Deep Rule Forests [0.0]
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。
論文 参考訳(メタデータ) (2020-07-04T14:10:28Z) - A Machine Learning alternative to placebo-controlled clinical trials
upon new diseases: A primer [0.0]
新たな危険で伝染性の疾患は、通常のメカニズムによって予測されるものよりも早く薬物療法を開発する必要がある。
我々は、全ての患者が異なる、合理的な組み合わせの薬物を受け取り、この結果を用いてニューラルネットワークをフィードする新しい手法を比較した。
変動を平均化し、異なる患者の特徴を認識することで、ニューラルネットワークは患者の初期状態と治療の結果を結びつけるパターンを学習する。
論文 参考訳(メタデータ) (2020-03-26T17:53:10Z)
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。