論文の概要: Evaluating the Effectiveness of Artificial Intelligence in Predicting Adverse Drug Reactions among Cancer Patients: A Systematic Review and Meta-Analysis
- arxiv url: http://arxiv.org/abs/2404.05762v1
- Date: Sat, 6 Apr 2024 11:20:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-10 18:58:15.278300
- Title: Evaluating the Effectiveness of Artificial Intelligence in Predicting Adverse Drug Reactions among Cancer Patients: A Systematic Review and Meta-Analysis
- Title（参考訳）: がん患者の副作用予測における人工知能の有効性の評価 : システムレビューとメタ分析
- Authors: Fatma Zahra Abdeldjouad, Menaouer Brahami, Mohammed Sabri,
- Abstract要約: 本研究の目的は, がん患者の薬物反応予測における人工知能モデルの性能を評価することである。
がん治療におけるAIの使用は、ADRの予測に高い特異性と感度を示すモデルによって、大きな可能性を示している。
しかし,証拠の質を向上させるためには,標準化された研究と多施設研究が必要である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adverse drug reactions considerably impact patient outcomes and healthcare costs in cancer therapy. Using artificial intelligence to predict adverse drug reactions in real time could revolutionize oncology treatment. This study aims to assess the performance of artificial intelligence models in predicting adverse drug reactions in patients with cancer. This is the first systematic review and meta-analysis. Scopus, PubMed, IEEE Xplore, and ACM Digital Library databases were searched for studies in English, French, and Arabic from January 1, 2018, to August 20, 2023. The inclusion criteria were: (1) peer-reviewed research articles; (2) use of artificial intelligence algorithms (machine learning, deep learning, knowledge graphs); (3) study aimed to predict adverse drug reactions (cardiotoxicity, neutropenia, nephrotoxicity, hepatotoxicity); (4) study was on cancer patients. The data were extracted and evaluated by three reviewers for study quality. Of the 332 screened articles, 17 studies (5%) involving 93,248 oncology patients from 17 countries were included in the systematic review, of which ten studies synthesized the meta-analysis. A random-effects model was created to pool the sensitivity, specificity, and AUC of the included studies. The pooled results were 0.82 (95% CI:0.69, 0.9), 0.84 (95% CI:0.75, 0.9), and 0.83 (95% CI:0.77, 0.87) for sensitivity, specificity, and AUC, respectively, of ADR predictive models. Biomarkers proved their effectiveness in predicting ADRs, yet they were adopted by only half of the reviewed studies. The use of AI in cancer treatment shows great potential, with models demonstrating high specificity and sensitivity in predicting ADRs. However, standardized research and multicenter studies are needed to improve the quality of evidence. AI can enhance cancer patient care by bridging the gap between data-driven insights and clinical expertise.
- Abstract（参考訳）: 副作用の薬物反応は、がん治療における患者の結果と医療費に大きな影響を及ぼす。
人工知能を使って、リアルタイムで有害な薬物反応を予測することで、腫瘍治療に革命をもたらす可能性がある。
本研究の目的は, がん患者の薬物反応予測における人工知能モデルの性能を評価することである。
これは、最初の体系的なレビューとメタ分析である。
2018年1月1日から2023年8月20日まで、スコパス、PubMed、IEEE Xplore、ACMデジタルライブラリーのデータベースを英語、フランス語、アラビア語で検索した。
対象は,(1)ピアレビュー研究論文,(2)人工知能アルゴリズム(機械学習,深層学習,知識グラフ)の使用,(3)有害薬物反応(心毒性,好中球減少,腎毒性,肝毒性)の予測を目的とした研究,(4)がん患者を対象にした研究であった。
データの抽出と評価は3人のレビュアーが行った。
332項目のうち、17か国93,248人の腫瘍学患者を対象とする17研究(5%)が体系的なレビューに含まれ、そのうち10研究がメタアナリシスを合成した。
対象とする研究の感度、特異性、およびAUCをプールするためにランダムエフェクトモデルが作成された。
ADR予測モデルの感度は0.82(95% CI:0.69, 0.9),0.84(95% CI:0.75, 0.9),0.83(95% CI:0.77, 0.87)であった。
バイオマーカーは、ADRを予測する効果を証明したが、レビューされた研究の半分しか採用されなかった。
がん治療におけるAIの使用は、ADRの予測に高い特異性と感度を示すモデルによって、大きな可能性を示している。
しかし,証拠の質を向上させるためには,標準化された研究と多施設研究が必要である。
AIは、データ駆動の洞察と臨床の専門知識のギャップを埋めることで、がん患者のケアを強化することができる。
関連論文リスト
- Multi-modal AI for comprehensive breast cancer prognostication [18.691704371847855]
そこで我々は,新しいAI手法を用いて,デジタル病理と臨床特性に基づく乳癌患者層化試験を開発した。
この検査は15のコホートにまたがる8,161人の乳癌患者のデータを用いて開発・評価された。
その結果、我々のAIテストは精度を向上し、幅広い患者に適用性を高め、治療選択ツールへのアクセスを向上させることが示唆された。
論文 参考訳（メタデータ） (2024-10-28T17:54:29Z) - Artificial Intelligence-Based Triaging of Cutaneous Melanocytic Lesions [0.8864540224289991]
患者数の増加とより包括的な診断の必要性により、病理学者は作業負荷の増大に直面している。
われわれは,全スライド画像に基づいて皮膚メラノサイト性病変をトリアージする人工知能(AI)モデルを開発した。
論文 参考訳（メタデータ） (2024-10-14T13:49:04Z) - Artificial intelligence for abnormality detection in high volume neuroimaging: a systematic review and meta-analysis [0.5934394862891423]
神経画像における異常を検出する人工知能(AI)モデルを評価するほとんどの研究は、非表現的な患者コホートで試験されている。
目的は、診断テストの精度を判定し、第一線高ボリュームのニューロイメージングタスクを実行するAIモデルの使用を支持する証拠を要約することであった。
論文 参考訳（メタデータ） (2024-05-09T10:12:17Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - CT-ADE: An Evaluation Benchmark for Adverse Drug Event Prediction from Clinical Trial Results [0.10051474951635876]
副作用薬物イベント(ADE)は臨床研究に大きな影響を与え、多くの臨床試験失敗を引き起こした。
この取り組みを支援するために,単薬理治療におけるADEのマルチラベル予測モデルであるCT-ADEを導入する。
CT-ADEは、臨床試験から抽出された168,984種類の薬物とADEのペアを含む2,497種類のユニークな薬物のデータを統合する。
論文 参考訳（メタデータ） (2024-04-19T12:04:32Z) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z) - Artificial Intelligence in Ovarian Cancer Histopathology: A Systematic
Review [1.832300121391956]
方法: PubMed, Scopus, Web of Science, CENTRAL, WHO-ICTRPの検索を行った。
PROBASTを用いてバイアスのリスクを評価した。
37の診断モデル、22の予後モデル、21の診断関連結果を含む80の関心モデルがあった。
すべてのモデルが全体として偏見のリスクが高いか、あるいは不明確であることが判明し、ほとんどの研究は分析において偏見のリスクが高いことが判明した。
論文 参考訳（メタデータ） (2023-03-31T12:26:29Z) - Foresight -- Deep Generative Modelling of Patient Timelines using
Electronic Health Records [46.024501445093755]
医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。
我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
論文 参考訳（メタデータ） (2022-12-13T19:06:00Z) - 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) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳（メタデータ） (2021-02-08T15:09:07Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z)
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。