論文の概要: RECOMED: A Comprehensive Pharmaceutical Recommendation System
- arxiv url: http://arxiv.org/abs/2301.00280v2
- Date: Mon, 21 Aug 2023 05:46:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 01:55:28.903245
- Title: RECOMED: A Comprehensive Pharmaceutical Recommendation System
- Title（参考訳）: recomed: 総合的な製薬推薦システム
- Authors: Mariam Zomorodi, Ismail Ghodsollahee, Jennifer H. Martin, Nicholas J.
Talley, Vahid Salari, Pawel Plawiak, Kazem Rahimi, U. Rajendra Acharya
- Abstract要約: Drugs.com と Druglib.com から抽出された患者と薬物の特徴に基づいて医薬品推薦システムが設計された。
本研究は, 患者に適切な特定の薬剤を選択するためのアプローチとして, 患者状況と病歴を考察した最初のグループである。
- 参考スコア（独自算出の注目度）: 8.681590862953623
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A comprehensive pharmaceutical recommendation system was designed based on
the patients and drugs features extracted from Drugs.com and Druglib.com.
First, data from these databases were combined, and a dataset of patients and
drug information was built. Secondly, the patients and drugs were clustered,
and then the recommendation was performed using different ratings provided by
patients, and importantly by the knowledge obtained from patients and drug
specifications, and considering drug interactions. To the best of our
knowledge, we are the first group to consider patients conditions and history
in the proposed approach for selecting a specific medicine appropriate for that
particular user. Our approach applies artificial intelligence (AI) models for
the implementation. Sentiment analysis using natural language processing
approaches is employed in pre-processing along with neural network-based
methods and recommender system algorithms for modeling the system. In our work,
patients conditions and drugs features are used for making two models based on
matrix factorization. Then we used drug interaction to filter drugs with severe
or mild interactions with other drugs. We developed a deep learning model for
recommending drugs by using data from 2304 patients as a training set, and then
we used data from 660 patients as our validation set. After that, we used
knowledge from critical information about drugs and combined the outcome of the
model into a knowledge-based system with the rules obtained from constraints on
taking medicine.
- Abstract（参考訳）: drug.com と druglib.com から抽出した患者と薬剤の特徴に基づいて総合的な医薬品推奨システムを開発した。
まず、これらのデータベースからのデータを組み合わせて患者と薬物情報のデータセットを構築した。
第2に、患者と薬物のクラスター化を行い、患者によって提供された異なる格付け、および患者と薬物の仕様から得られた知識、および薬物の相互作用を考慮して推奨を行った。
我々の知識を最大限に活用するため,我々は,特定の患者に適した特定の薬剤を選択するための提案手法において,患者の状況と歴史を考察した最初のグループである。
提案手法は,人工知能(AI)モデルを実装に適用する。
自然言語処理アプローチを用いた知覚分析は、ニューラルネットワークベースの手法やシステムモデリングのためのレコメンダシステムアルゴリズムと共に、前処理に使用される。
本研究は, 患者条件と薬物の特徴をマトリックス因子化に基づく2つのモデル作成に利用した。
その後、薬物相互作用を用いて、他の薬物と重度または軽度に相互作用する薬物をろ過した。
トレーニングセットとして2304人のデータを用いて,薬物を推奨する深層学習モデルを開発し,検証セットとして660人のデータを用いた。
その後,薬物に関する重要な情報から得られた知識を用いて,モデルの結果を知識ベースシステムと,薬剤摂取の制約から得られたルールを組み合わせる。
関連論文リスト
- 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) - 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) - A clustering and graph deep learning-based framework for COVID-19 drug
repurposing [0.3359875577705538]
本研究では,異種薬物データに基づく多機能型クラスタリングのためのグラフベースのオートエンコーダを用いた,教師なし機械学習フレームワークを提案する。
データセットは438種類の薬物で構成され、そのうち224種は新型コロナウイルスの臨床試験を受けている。
当フレームワークは,薬理学的特性,化学的・物理的性質,宿主との相互作用,各種の公開型COVID-19アッセイにおける有効性など,報告された薬物データに依存している。
論文 参考訳（メタデータ） (2023-06-24T15:00:47Z) - 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) - Neural Bandits for Data Mining: Searching for Dangerous Polypharmacy [63.135687276599114]
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72%のPIPを検出でき,平均精度は99%であり,30000タイムステップで検出できる。
論文 参考訳（メタデータ） (2022-12-10T03:43:23Z) - 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) - 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) - Extracting Adverse Drug Events from Clinical Notes [1.6244541005112747]
有害薬物イベント(ADEs)は、薬物または薬物の投与によって引き起こされる予期せぬ出来事です。
本稿では, 関連抽出手法を用いて, 薬物とその関連属性との関係を検討する。
論文 参考訳（メタデータ） (2021-04-21T23:10:20Z) - PREMIER: Personalized REcommendation for Medical prescrIptions from
Electronic Records [8.365167718547296]
われわれは、PreMIERと呼ばれる2段階の注意に基づくパーソナライズド医薬品レコメンデーションシステムを設計する。
本システムでは,患者に対する副作用を最小限に抑えるため,薬物間の相互作用を考慮に入れている。
MIMIC-IIIと独自の外来データセットの実験結果から、PreMIERは最先端の医薬品推奨システムより優れていることが示された。
論文 参考訳（メタデータ） (2020-08-28T04:48:32Z) - 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)
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。