論文の概要: Causal prediction models for medication safety monitoring: The diagnosis
of vancomycin-induced acute kidney injury
- arxiv url: http://arxiv.org/abs/2311.09137v1
- Date: Wed, 15 Nov 2023 17:29:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-16 14:52:13.661823
- Title: Causal prediction models for medication safety monitoring: The diagnosis
of vancomycin-induced acute kidney injury
- Title（参考訳）: 薬物安全性モニタリングのための因果予測モデル:バンコマイシンによる急性腎障害の診断
- Authors: Izak Yasrebi-de Kom, Joanna Klopotowska, Dave Dongelmans, Nicolette De
Keizer, Kitty Jager, Ameen Abu-Hanna, Giovanni Cin\`a
- Abstract要約: 入院患者の有害薬物事象(ADE)の振り返り診断の現在のベストプラクティスは、完全な患者のチャートレビューと、医療専門家による公式な因果性評価に依存している。
ここでは、観測データを用いた因果モデリング手法を開拓し、因果確率(PC)の低い境界を推定する。
集中治療患者におけるバンコマイシン誘発急性腎障害の臨床応用例について検討した。
- 参考スコア（独自算出の注目度）: 0.282736966249181
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The current best practice approach for the retrospective diagnosis of adverse
drug events (ADEs) in hospitalized patients relies on a full patient chart
review and a formal causality assessment by multiple medical experts. This
evaluation serves to qualitatively estimate the probability of causation (PC);
the probability that a drug was a necessary cause of an adverse event. This
practice is manual, resource intensive and prone to human biases, and may thus
benefit from data-driven decision support. Here, we pioneer a causal modeling
approach using observational data to estimate a lower bound of the PC
(PC$_{low}$). This method includes two key causal inference components: (1) the
target trial emulation framework and (2) estimation of individualized treatment
effects using machine learning. We apply our method to the clinically relevant
use-case of vancomycin-induced acute kidney injury in intensive care patients,
and compare our causal model-based PC$_{low}$ estimates to qualitative
estimates of the PC provided by a medical expert. Important limitations and
potential improvements are discussed, and we conclude that future improved
causal models could provide essential data-driven support for medication safety
monitoring in hospitalized patients.
- Abstract（参考訳）: 入院患者の有害薬物事象(ades)の振り返り診断の現在のベストプラクティスは、完全な患者チャートレビューと、複数の医療専門家による正式な因果関係評価に依存している。
この評価は、薬物が有害事象の必要な原因であった可能性(pc)を定性的に推定するのに役立つ。
このプラクティスは手動で、リソース集約的で、人間のバイアスになりやすいため、データ駆動の意思決定サポートの恩恵を受ける可能性がある。
ここでは、観測データを用いた因果モデリング手法を考案し、PCの下位境界(PC$_{low}$)を推定する。
本手法は,(1)対象のエミュレーションフレームワークと(2)機械学習を用いた個別化処理効果の推定の2つの主要な因果推論成分を含む。
本手法は集中治療患者におけるバンコマイシン誘発急性腎障害の臨床応用例に適用し, 原因モデルに基づくPC$_{low}$推定値と, 医療専門家が提供したPCの質的評価値とを比較した。
今後改良された因果モデルが,入院患者の医療安全モニタリングに不可欠なデータ駆動型サポートを提供できると結論づける。
関連論文リスト
- Causal machine learning for predicting treatment outcomes [75.13093479526151]
Causal Machine Learning (ML)は、治療結果を予測するフレキシブルでデータ駆動の方法を提供する。
因果MLの主な利点は、個別化された治療効果を推定できることである。
論文 参考訳（メタデータ） (2024-10-11T12:39:08Z) - Ethical considerations of use of hold-out sets in clinical prediction model management [0.4194295877935868]
我々は、善意、非正当性、自律性、正義の倫理的原則に焦点をあてる。
また,様々なホールドアウトセットサンプリング手法による統計的問題についても論じる。
論文 参考訳（メタデータ） (2024-06-05T11:42:46Z) - Enhancing Acute Kidney Injury Prediction through Integration of Drug
Features in Intensive Care Units [0.0]
急性腎障害(AKI)予測と腎障害薬との関連は, 治療現場ではまだ検討されていない。
そこで本研究では,患者処方データをモダリティとして活用し,既存のAKI予測モデルを改善する手法を提案する。
論文 参考訳（メタデータ） (2024-01-09T05:42:32Z) - Informing clinical assessment by contextualizing post-hoc explanations
of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。
我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。
本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文 参考訳（メタデータ） (2023-02-11T18:07:11Z) - Prediction of drug effectiveness in rheumatoid arthritis patients based
on machine learning algorithms [2.5759046095742453]
慢性関節リウマチ(RA)は、患者の免疫系が誤って自身の組織を標的としたときに引き起こされる自己免疫疾患である。
機械学習(ML)は、患者の電子的健康記録のパターンを特定し、患者の結果を改善する最良の臨床治療を予測する可能性がある。
本研究は, 臨床データから情報を取り出すためのデータ処理パイプラインを設計し, 機能的使用のために前処理し, 2) 薬物に対するRA患者の反応を予測し, 分類モデルの性能を評価するためのTNFフレームワークを導入した。
論文 参考訳（メタデータ） (2022-10-14T15:15:37Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - Reinforcement learning and Bayesian data assimilation for model-informed
precision dosing in oncology [0.0]
現在の戦略はモデルインフォームドドッキングテーブルで構成されている。
ベイジアンデータ同化と/または強化学習を併用したMIPDのための新しい3つのアプローチを提案する。
これらのアプローチは、致命的グレード4と治療下グレード0のニュートロピーの発生を著しく減少させる可能性がある。
論文 参考訳（メタデータ） (2020-06-01T16:38:27Z) - 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。