論文の概要: Development and Validation of a Deep-Learning Model for Differential Treatment Benefit Prediction for Adults with Major Depressive Disorder Deployed in the Artificial Intelligence in Depression Medication Enhancement (AIDME) Study

• arxiv url: http://arxiv.org/abs/2406.04993v1
• Date: Fri, 7 Jun 2024 15:04:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-10 13:32:11.993399
• Title: Development and Validation of a Deep-Learning Model for Differential Treatment Benefit Prediction for Adults with Major Depressive Disorder Deployed in the Artificial Intelligence in Depression Medication Enhancement (AIDME) Study
• Title（参考訳）: うつ病治療強化(AIDME)研究における人工知能導入によるうつ病性障害の鑑別治療効果予測のための深層学習モデルの開発と妥当性の検討
• Authors: David Benrimoh, Caitrin Armstrong, Joseph Mehltretter, Robert Fratila, Kelly Perlman, Sonia Israel, Adam Kapelner, Sagar V. Parikh, Jordan F. Karp, Katherine Heller, Gustavo Turecki,
• Abstract要約: 大うつ病(MDD)の薬理学的治療は、試行錯誤のアプローチに依存している。 治療結果のパーソナライズを目的とした人工知能(AI)モデルを導入する。
• 参考スコア（独自算出の注目度）: 0.622895724042048
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: INTRODUCTION: The pharmacological treatment of Major Depressive Disorder (MDD) relies on a trial-and-error approach. We introduce an artificial intelligence (AI) model aiming to personalize treatment and improve outcomes, which was deployed in the Artificial Intelligence in Depression Medication Enhancement (AIDME) Study. OBJECTIVES: 1) Develop a model capable of predicting probabilities of remission across multiple pharmacological treatments for adults with at least moderate major depression. 2) Validate model predictions and examine them for amplification of harmful biases. METHODS: Data from previous clinical trials of antidepressant medications were standardized into a common framework and included 9,042 adults with moderate to severe major depression. Feature selection retained 25 clinical and demographic variables. Using Bayesian optimization, a deep learning model was trained on the training set, refined using the validation set, and tested once on the held-out test set. RESULTS: In the evaluation on the held-out test set, the model demonstrated achieved an AUC of 0.65. The model outperformed a null model on the test set (p = 0.01). The model demonstrated clinical utility, achieving an absolute improvement in population remission rate in hypothetical and actual improvement testing. While the model did identify one drug (escitalopram) as generally outperforming the other drugs (consistent with the input data), there was otherwise significant variation in drug rankings. On bias testing, the model did not amplify potentially harmful biases. CONCLUSIONS: We demonstrate the first model capable of predicting outcomes for 10 different treatment options for patients with MDD, intended to be used at or near the start of treatment to personalize treatment. The model was put into clinical practice during the AIDME randomized controlled trial whose results are reported separately.
• Abstract（参考訳）: MDD(Major Depressive Disorder)の薬理学的治療は、試行錯誤のアプローチに依存している。 本稿では,治療のパーソナライズと成果の向上を目的とした人工知能(AI)モデルを提案する。 オブジェクティヴ: 1)少なくとも中等度大うつ病の成人に対する複数の薬理学的治療における寛解の確率を予測するモデルを構築した。 2) 有害バイアスの増幅のためのモデル予測を検証し, 検証する。 方法】抗うつ薬の以前の臨床試験から得られたデータは共通の枠組みに標準化され,中等度から重篤な大うつ病の成人9,042名であった。 特徴選択は25の臨床的および人口統計学的変数を保持した。 ベイズ最適化を用いて、ディープラーニングモデルをトレーニングセットでトレーニングし、検証セットを使用して洗練し、保持されたテストセットで一度テストした。 結果: ホールドアウトテストセットの評価では, 模型は0.65のAUCを得た。 モデルはテストセット上でヌルモデルより優れていた(p = 0.01)。 このモデルは臨床的有用性を示し、仮説および実際の改善試験において、集団寛容率を絶対的に改善した。 モデルでは、ある薬物(escitalopram)が他の薬物(入力データと矛盾する)よりも優れていると認識したが、それ以外は薬物のランクに有意な違いがあった。 バイアステストでは、モデルは潜在的に有害なバイアスを増幅しなかった。 結論: 治療開始前後のMDD患者に対して, パーソナライズを目的とし, 10種類の治療選択を予測できる最初のモデルを示す。 AIDMEランダム化対照試験において,結果が別々に報告された臨床実習を行った。

関連論文リスト

• Personalized Prediction Models for Changes in Knee Pain among Patients with Osteoarthritis Participating in Supervised Exercise and Education [0.0]
  膝関節症(英語: Knee osteoarthritis, OA)は、運動性障害と生活の質を低下させる慢性疾患である。 OA症状の痛みと機能的制限を管理するための運動療法と患者教育のメリットが証明されているにもかかわらず、これらの戦略は、しばしば未利用である。 予測を改善するには、GLA:D以外の新しい変数が必要である。
  論文  参考訳（メタデータ） (2024-10-16T14:15:01Z)
• Can Machine Learning Assist in Diagnosis of Primary Immune Thrombocytopenia? A feasibility study [12.4123972735841]
  原発性免疫性血小板減少症(ITP)は末梢血血小板の免疫学的破壊を特徴とする稀な自己免疫疾患である。 疾患を確認するための確立された検査はなく、治療と結果に対する反応を予測できるバイオマーカーも存在しない。 日常的な血液検査と人口統計データを用いて, 機械学習をIPPの診断に効果的に適用できるかどうかを, 非急性外来で検討する。
  論文  参考訳（メタデータ） (2024-05-31T01:04:46Z)
• 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)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• SPOT: Sequential Predictive Modeling of Clinical Trial Outcome with Meta-Learning [67.8195828626489]
  臨床試験は薬物開発に不可欠であるが、時間を要する、費用がかかる、失敗する傾向がある。 本稿では,まず,複数ソースの臨床試験データを関連するトライアルトピックにクラスタリングするために,臨床トライアル結果の逐次予測mOdeling(SPOT)を提案する。 タスクとして各トライアルシーケンスを考慮して、メタ学習戦略を使用して、モデルが最小限のアップデートで新しいタスクに迅速に適応できるポイントを達成する。
  論文  参考訳（メタデータ） (2023-04-07T23:04:27Z)
• Mixed Effects Random Forests for Personalised Predictions of Clinical Depression Severity [2.6572038957677657]
  本研究は,マルチモーダルな生理・デジタル活動データを用いて,無作為な森林がうつ病の重症度を正確に予測する方法を実証する。 臨床うつ病評価尺度(S_17)では,無作為林の混合効果が,標準ランダム林と個人平均ベースラインを上回っていることが示されている。 モデルパラメータをデータセット内の個人にパーソナライズする混合効果ランダムフォレストの有効性により,この結果が向上することが示唆された。
  論文  参考訳（メタデータ） (2023-01-24T04:50:55Z)
• A comparison of approaches to improve worst-case predictive model performance over patient subpopulations [14.175321968797252]
  患者において平均的に正確な臨床結果の予測モデルは、いくつかのサブ集団に対して劇的に過小評価される可能性がある。 サブポピュレーションに対する解離および最悪の性能を一貫して改善するモデル開発と選択のアプローチを同定する。 本研究は, 比較的少数の例外を除いて, 標準学習法よりも, 患者サブポピュレーションに対するアプローチが優れていることが確認された。
  論文  参考訳（メタデータ） (2021-08-27T13:10:00Z)
• Improvement of a Prediction Model for Heart Failure Survival through Explainable Artificial Intelligence [0.0]
  本研究は、心不全生存予測モデルの説明可能性分析と評価について述べる。 このモデルでは、最高のアンサンブルツリーアルゴリズムを選択できるデータワークフローパイプラインと、最高の機能選択テクニックが採用されている。 本論文の主な貢献は、精度-説明可能性バランスに基づいて、HF生存率の最良の予測モデルを選択するための説明可能性駆動型アプローチである。
  論文  参考訳（メタデータ） (2021-08-20T09:03:26Z)
• Bayesian prognostic covariate adjustment [59.75318183140857]
  疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。 我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
  論文  参考訳（メタデータ） (2020-12-24T05:19:03Z)
• 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)
• 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)

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。