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

• Optimizing Hard-to-Place Kidney Allocation: A Machine Learning Approach to Center Ranking [0.4893345190925178]
  そこで本稿では, 中心に腎を配置するデータ駆動型機械学習によるランキングシステムを提案する。 本実験により, 提案方針は, 全腎臓に4倍, 固着腎臓に10倍のセンター数を減らした。
  論文  参考訳（メタデータ） (2024-10-10T17:15:41Z)
• Personalised Medicine: Establishing predictive machine learning models for drug responses in patient derived cell culture [0.0]
  パーソナライズドメディカルは、しばしばオミクスデータの利用に関連している。 精密医療への別のアプローチは、細胞の機能ベースのプロファイルを採用することである。 ここでは、極めて多様な患者由来の細胞株に対する薬物スクリーニングの集合体を活用して、「新規患者」に対する治療オプションを同定する概念実証を行う。
  論文  参考訳（メタデータ） (2024-08-23T11:58:50Z)
• Predicting Long-Term Allograft Survival in Liver Transplant Recipients [11.680219281917076]
  移植後5年以内に肝移植患者の約20%に肝移植不全が発生する。 我々は,他の先進的生存モデルよりも優れた線形リスクスコアであるMAS(Model for Allograft Survival)を導入する。
  論文  参考訳（メタデータ） (2024-08-10T04:44:36Z)
• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)
• Leave No Patient Behind: Enhancing Medication Recommendation for Rare Disease Patients [47.68396964741116]
  本稿では,レアな疾患の正確性を高めるために,ロバストとメディケーションのための高精度勧告(RAREMed)と呼ばれる新しいモデルを提案する。 入力シーケンスを統一したトランスフォーマーエンコーダを使用して、疾患と手続きコードの間の複雑な関係をキャプチャする。 稀な疾患と一般的な疾患の両方に対して正確な薬物セットを提供し、薬の推奨システムにおける不公平を緩和する。
  論文  参考訳（メタデータ） (2024-03-26T14:36:22Z)
• 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)
• 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)
• 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)

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。