論文の概要: Neural Bandits for Data Mining: Searching for Dangerous Polypharmacy

• arxiv url: http://arxiv.org/abs/2212.05190v1
• Date: Sat, 10 Dec 2022 03:43:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 17:13:07.540844
• Title: Neural Bandits for Data Mining: Searching for Dangerous Polypharmacy
• Title（参考訳）: データマイニングのためのニューラルバンド:危険多発薬局の探索
• Authors: Alexandre Larouche, Audrey Durand, Richard Khoury, Caroline Sirois
• Abstract要約: 一部の多薬局は、不適切とみなされており、死亡や入院などの健康上の有害な結果に関係している可能性がある。 我々は、クレームデータセットを効率的にマイニングし、薬物の組み合わせと健康結果の関係の予測モデルを構築するためのOptimNeuralTS戦略を提案する。 提案手法では,最大33%のPIPを検出でき,平均精度は10000タイムステップで99%を維持した。
• 参考スコア（独自算出の注目度）: 63.135687276599114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Polypharmacy, most often defined as the simultaneous consumption of five or more drugs at once, is a prevalent phenomenon in the older population. Some of these polypharmacies, deemed inappropriate, may be associated with adverse health outcomes such as death or hospitalization. Considering the combinatorial nature of the problem as well as the size of claims database and the cost to compute an exact association measure for a given drug combination, it is impossible to investigate every possible combination of drugs. Therefore, we propose to optimize the search for potentially inappropriate polypharmacies (PIPs). To this end, we propose the OptimNeuralTS strategy, based on Neural Thompson Sampling and differential evolution, to efficiently mine claims datasets and build a predictive model of the association between drug combinations and health outcomes. We benchmark our method using two datasets generated by an internally developed simulator of polypharmacy data containing 500 drugs and 100 000 distinct combinations. Empirically, our method can detect up to 33\% of PIPs while maintaining an average precision score of 99\% using 10 000 time steps.
• Abstract（参考訳）: ポリファーマシー(polypharmacy)は、しばしば5つ以上の薬物を同時に消費することと定義され、高齢者の一般的な現象である。 これらの薬局のいくつかは不適切と見なされ、死亡や入院などの健康上の悪影響に関係している可能性がある。 この問題の組合せの性質とクレームデータベースのサイズ、与えられた薬物の組み合わせに関する正確な関連度を計算するためのコストを考えると、薬物のあらゆる組み合わせを調査することは不可能である。 そこで本研究では,不適切な多剤局(pips)の探索を最適化する。 そこで本研究では,ニューラルトンプソンサンプリングと差動進化に基づくオプティモニューロアルツ戦略を提案し,クレームデータセットを効率的にマイニングし,薬物組み合わせと健康成果との相関の予測モデルを構築した。 我々は500の薬物と100万の異なる組み合わせを内製した多薬品データのシミュレータによって生成された2つのデータセットを用いて,本手法のベンチマークを行った。 実験により,PIPの最大33 %を検出できると同時に,平均精度99 %を10 000 タイムステップで保持できることがわかった。

関連論文リスト

• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• NeuroCADR: Drug Repurposing to Reveal Novel Anti-Epileptic Drug Candidates Through an Integrated Computational Approach [0.0]
  薬物再資源化は、新しい目的のために既存の薬物を再割り当てすることを含む薬物発見の新たなアプローチである。 提案するアルゴリズムはNeuroCADRであり,k-nearest neighbor algorithm (KNN),ランダム森林分類,決定木からなるマルチプログレッシブアプローチによる創薬システムである。 データは病気、症状、遺伝子、および関連する薬物分子間の相互作用からなるデータベースから作成され、その後バイナリで表現されたデータセットにコンパイルされた。 NeuroCADRは、臨床試験によってさらに承認されるてんかんの新規薬物候補を特定した。
  論文  参考訳（メタデータ） (2023-09-04T03:21:43Z)
• Drug Interaction Vectors Neural Network: DrIVeNN [0.7624669864625037]
  ポリファーマシー(英: Poly Pharmacy)とは、複数の薬物を同時に併用して単一の疾患を治療することである。 ポリファーマシーに関連する多くの重篤なADEは、薬物の使用後にのみ知られるようになる。 臨床試験において、あらゆる可能な薬物の組み合わせをテストすることは不可能である。
  論文  参考訳（メタデータ） (2023-08-26T14:24:41Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• Knowledge-Driven New Drug Recommendation [88.35607943144261]
  既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。 EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。 その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
  論文  参考訳（メタデータ） (2022-10-11T16:07:52Z)
• 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)
• Learning-based Computer-aided Prescription Model for Parkinson's Disease: A Data-driven Perspective [61.70045118068213]
  我々は、PD患者の症状と、神経科医が提供した処方薬を収集し、データセットを構築した。 そこで我々は、観察された症状と処方薬との関係を学習し、新しいコンピュータ支援処方薬モデルを構築した。 新来の患者に対しては、処方薬モデルにより、観察された症状に対して適切な処方薬を推奨できる(予測)。
  論文  参考訳（メタデータ） (2020-07-31T14:34:35Z)
• A Minimal-Input Multilayer Perceptron for Predicting Drug-Drug Interactions Without Knowledge of Drug Structure [0.0]
  薬物間の相互作用を予測する最小入力型多層パーセプトロンを提案する。 薬物と薬物の相互作用と関連する性質を用いて、約65万項目のデータセットでモデルをトレーニングした。 モデルが訓練された薬物間の相互作用サンプルの0.968の精度と、不明薬物間の相互作用サンプルの0.942の精度を報告した。
  論文  参考訳（メタデータ） (2020-05-20T17:15:19Z)
• A Node Embedding Framework for Integration of Similarity-based Drug Combination Prediction [7.4517333921953215]
  我々は,合成薬物の組み合わせを予測するために,NEMNのネットワーク埋め込みフレームワークを提案する。 マルチプレックスドラッグ類似性ネットワークに基づいて,異なる側面から有用な情報を統合するための代替手法を提案する。 薬物併用予測では, 外部情報源で検証した新薬を7種類検出した。
  論文  参考訳（メタデータ） (2020-02-25T02:24:47Z)

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。