論文の概要: Joint Application of the Target Trial Causal Framework and Machine Learning Modeling to Optimize Antibiotic Therapy: Use Case on Acute Bacterial Skin and Skin Structure Infections due to Methicillin-resistant Staphylococcus aureus

• arxiv url: http://arxiv.org/abs/2207.07458v1
• Date: Fri, 15 Jul 2022 13:08:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-18 13:24:17.736117
• Title: Joint Application of the Target Trial Causal Framework and Machine Learning Modeling to Optimize Antibiotic Therapy: Use Case on Acute Bacterial Skin and Skin Structure Infections due to Methicillin-resistant Staphylococcus aureus
• Title（参考訳）: 薬物療法の最適化のためのターゲット試験因果フレームワークと機械学習モデリングの併用 : メチシリン耐性黄色ブドウ球菌による急性細菌性皮膚炎と皮膚構造感染症を例として
• Authors: Inyoung Jun, Simone Marini, Christina A. Boucher, J. Glenn Morris, Jiang Bian and Mattia Prosperi
• Abstract要約: メチシリン耐性黄色ブドウ球菌(MRSA)による急性細菌性皮膚・皮膚構造感染症(ABSSSI)の死亡予測とITE推定の機械学習モデルを開発した。 まず、確率スコアマッチングを用いて臨床試験をエミュレートし、ランダム化された治療データセット(バンコマイシンと他の抗生物質)を作成します。 次に、このデータを用いて様々な機械学習手法(強化/LASSOロジスティック回帰、サポートベクターマシン、ランダムフォレストなど)を訓練し、ブートストラップ検証により受信特性(AUC)の下の領域で最適なモデルを選択する。
• 参考スコア（独自算出の注目度）: 5.611469725376418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bacterial infections are responsible for high mortality worldwide. Antimicrobial resistance underlying the infection, and multifaceted patient's clinical status can hamper the correct choice of antibiotic treatment. Randomized clinical trials provide average treatment effect estimates but are not ideal for risk stratification and optimization of therapeutic choice, i.e., individualized treatment effects (ITE). Here, we leverage large-scale electronic health record data, collected from Southern US academic clinics, to emulate a clinical trial, i.e., 'target trial', and develop a machine learning model of mortality prediction and ITE estimation for patients diagnosed with acute bacterial skin and skin structure infection (ABSSSI) due to methicillin-resistant Staphylococcus aureus (MRSA). ABSSSI-MRSA is a challenging condition with reduced treatment options - vancomycin is the preferred choice, but it has non-negligible side effects. First, we use propensity score matching to emulate the trial and create a treatment randomized (vancomycin vs. other antibiotics) dataset. Next, we use this data to train various machine learning methods (including boosted/LASSO logistic regression, support vector machines, and random forest) and choose the best model in terms of area under the receiver characteristic (AUC) through bootstrap validation. Lastly, we use the models to calculate ITE and identify possible averted deaths by therapy change. The out-of-bag tests indicate that SVM and RF are the most accurate, with AUC of 81% and 78%, respectively, but BLR/LASSO is not far behind (76%). By calculating the counterfactuals using the BLR/LASSO, vancomycin increases the risk of death, but it shows a large variation (odds ratio 1.2, 95% range 0.4-3.8) and the contribution to outcome probability is modest. Instead, the RF exhibits stronger changes in ITE, suggesting more complex treatment heterogeneity.
• Abstract（参考訳）: 細菌感染は世界中で高い死亡率の原因となっている。 感染症の基礎となる抗菌性および多面性患者の臨床状況は、抗生物質治療の正しい選択を妨げる可能性がある。 ランダム化臨床試験は平均的な治療効果の推定を提供するが、リスク階層化や治療選択の最適化、すなわち個別化治療効果(ite)には適していない。 そこで我々は,米国南部大学クリニックから収集した大規模電子カルテデータを用いて,臨床実験,すなわち「ターゲットトライアル」をエミュレートし,メチシリン耐性黄色ブドウ球菌(MRSA)による急性細菌性皮膚・皮膚構造感染症(ABSSSI)と診断された患者の死亡予測とITE推定の機械学習モデルを開発した。 ABSSSI-MRSAは治療の選択肢を減らした難しい状態であり、バンコマイシンが好ましいが、無視できない副作用がある。 まず,propensity score matchingを用いて試験をエミュレートし,治療ランダム化(vancomycin vs. other antibiotics)データセットを作成する。 次に、このデータを用いて様々な機械学習手法(強化/LASSOロジスティック回帰、サポートベクターマシン、ランダムフォレストなど)を訓練し、ブートストラップ検証により受信特性(AUC)の下の領域で最適なモデルを選択する。 最後に, このモデルを用いてITEを計算し, 治療変化による死亡の可能性を同定する。 svm と rf はそれぞれ 81% と 78% であり、svm と rf が最も正確であることを示しているが、blr/lasso は (76%) ほど遅れていない。 バンコマイシンはBLR/LASSOを用いてカウンターファクトアルを計算することで死亡リスクを増大させるが、大きな変動(オードス比1.2、95%範囲0.4-3.8)を示し、結果の確率への寄与は緩やかである。 その代わり、RFはITEの強い変化を示し、より複雑な治療の不均一性を示す。

関連論文リスト

• Predicting Ovarian Cancer Treatment Response in Histopathology using Hierarchical Vision Transformers and Multiple Instance Learning [2.0661578265672094]
  深層学習は、卵巣がん患者の治療が寛解に寄与するか、または疾患の進行を防ぐのに役立つかを予測するために用いられる。 提案手法では,階層型画像ピラミッド変換器 (HIPT) を用いて地域レベルの特徴を抽出し,特徴を集約し,スライド全体を分類するアテンションベースマルチインスタンス学習 (ABMIL) モデルを提案する。 卵巣癌WSIが治療反応を正確に予測できる情報を含んでいるかどうかはまだ明らかになっていない。
  論文  参考訳（メタデータ） (2023-10-19T16:16:29Z)
• Differentiating Viral and Bacterial Infections: A Machine Learning Model Based on Routine Blood Test Values [0.0]
  ウイルス対バクテリア機械学習モデルは、細菌とウイルスの感染を識別するために開発された。 このモデルでは82.2%の精度、ブライアスコア0.129の精度、ROC曲線0.91の面積が顕著に示された。
  論文  参考訳（メタデータ） (2023-05-13T09:18:51Z)
• Robust and Agnostic Learning of Conditional Distributional Treatment Effects [62.44901952244514]
  条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。 集約分析では、通常は分布処理効果(DTE)の測定によって対処される。 我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
  論文  参考訳（メタデータ） (2022-05-23T17:40:31Z)
• RCMNet: A deep learning model assists CAR-T therapy for leukemia [10.501680821028106]
  急性白血病の治療法として, キメラ抗原受容体T(CAR-T)療法が望まれている。 CAR-T細胞の同定は、他の血液細胞との表現型類似性による大きな課題である。 我々は、畳み込みニューラルネットワーク(CNN)とTransformerを組み合わせた、RCMNetと呼ばれる新しい統合モデルを作成します。
  論文  参考訳（メタデータ） (2022-05-06T08:34:18Z)
• Machine learning techniques to identify antibiotic resistance in patients diagnosed with various skin and soft tissue infections [1.897172519574925]
  皮膚および軟部組織感染症(SSTIs)は、最も頻度の高い疾患の1つである。 多様な細菌性病原体の抗生物質に対する耐性は、重篤なSSTIの重大な原因である。 我々は、抗生物質感受性試験データを用いて、抗菌性を予測する機械学習(ML)モデルを開発した。
  論文  参考訳（メタデータ） (2022-02-28T01:08:02Z)
• Treatment Effect Risk: Bounds and Inference [58.442274475425144]
  平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。 本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。 いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
  論文  参考訳（メタデータ） (2022-01-15T17:21:26Z)
• Predicting Antimicrobial Resistance in the Intensive Care Unit [5.129856875153228]
  本研究は,臨床および微生物学的予測器を用いたAMRの予測モデルを開発する。 培養前の抵抗を正確に予測できる能力は、臨床的な意思決定を知らせ、行動までの時間を短縮する可能性がある。
  論文  参考訳（メタデータ） (2021-11-05T15:50:34Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• 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)
• 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)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。