論文の概要: Symptom-Driven Personalized Proton Pump Inhibitors Therapy Using Bayesian Neural Networks and Model Predictive Control

• arxiv url: http://arxiv.org/abs/2507.09685v1
• Date: Sun, 13 Jul 2025 15:46:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:23.759974
• Title: Symptom-Driven Personalized Proton Pump Inhibitors Therapy Using Bayesian Neural Networks and Model Predictive Control
• Title（参考訳）: ベイジアンニューラルネットワークとモデル予測制御を用いた症状駆動型パーソナライズされたプロトンポンプインヒビター治療
• Authors: Yutong Li, Ilya Kolmanovsky,
• Abstract要約: 本稿では,患者報告の逆流と消化器症状のパターンにのみ焦点をあてたPPI投与を適応する症状ベースのフレームワークを提案する。 学習増強型MPCは、通常の固定状態と比較して、総PPI消費量を65%削減することを示した。
• 参考スコア（独自算出の注目度）: 3.5681028373124066
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Proton Pump Inhibitors (PPIs) are the standard of care for gastric acid disorders but carry significant risks when administered chronically at high doses. Precise long-term control of gastric acidity is challenged by the impracticality of invasive gastric acid monitoring beyond 72 hours and wide inter-patient variability. We propose a noninvasive, symptom-based framework that tailors PPI dosing solely on patient-reported reflux and digestive symptom patterns. A Bayesian Neural Network prediction model learns to predict patient symptoms and quantifies its uncertainty from historical symptom scores, meal, and PPIs intake data. These probabilistic forecasts feed a chance-constrained Model Predictive Control (MPC) algorithm that dynamically computes future PPI doses to minimize drug usage while enforcing acid suppression with high confidence - without any direct acid measurement. In silico studies over diverse dietary schedules and virtual patient profiles demonstrate that our learning-augmented MPC reduces total PPI consumption by 65 percent compared to standard fixed regimens, while maintaining acid suppression with at least 95 percent probability. The proposed approach offers a practical path to personalized PPI therapy, minimizing treatment burden and overdose risk without invasive sensors.
• Abstract（参考訳）: プロトンポンプ阻害薬(Proton Pump Inhibitors, PPIs)は、胃酸障害の治療の標準であるが、慢性的に高用量で投与された場合、重大なリスクを負う。 胃酸の経時的管理は,72時間を超える侵襲的胃酸モニタリングの非現実性と患者間変動の幅により困難である。 患者に報告された逆流と消化器症状のパターンにのみPPI投与を適応する非侵襲的症状ベースのフレームワークを提案する。 ベイズニューラルネットワーク予測モデルは、患者の症状を予測し、歴史的症状スコア、食事、PPIの摂取データから不確実性を定量化する。 これらの確率予測は、直接の酸測定なしに、酸抑制を高い信頼性で実施しながら、薬物使用を最小限に抑えるために、将来的なPPI量を動的に計算する確率制約モデル予測制御(MPC)アルゴリズムを提供する。 食事のスケジュールや仮想的な患者プロファイルに関するシリコ研究では、学習によって増強されたMPCは、通常の固定状態に比べて総PPI消費量を65%削減する一方で、少なくとも95%の確率で酸抑制を維持することが示されている。 提案手法は、パーソナライズされたPPI治療への実践的な経路を提供し、治療負担を最小化し、侵襲的なセンサーを使わずに過剰なリスクを回避できる。

関連論文リスト

• A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
  観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。 逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。 本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
  論文  参考訳（メタデータ） (2025-05-16T17:00:52Z)
• Uncertainty quantification with approximate variational learning for wearable photoplethysmography prediction tasks [0.8312466807725922]
  Photoplethysmographyは、血液の相対的な変化に関する情報を符号化する。 ディープネットワークは、ウェアラブル測定デバイスから取得した大量のデータを扱うのに適している。
  論文  参考訳（メタデータ） (2025-05-16T16:21:45Z)
• A Multi-Modal Non-Invasive Deep Learning Framework for Progressive Prediction of Seizures [10.250114060511134]
  本稿では,発作の進行(発生に間に合う)予測を目的とした革新的なフレームワークを提案する。 本フレームワークでは,非侵襲脳波(EEG)および心電図(ECG)センサのネットワークから,高度なディープラーニング(DL)技術を用いてパーソナライズされたデータを利用する。 29例中95%の感度,98%の特異性,97%の精度が得られた。
  論文  参考訳（メタデータ） (2024-10-26T04:06:09Z)
• Epilepsy Seizure Detection and Prediction using an Approximate Spiking Convolutional Transformer [12.151626573534001]
  本稿では, てんかん発作セグメントを検出し, 予測するために, ニューロモルフィック・スパイキング・コンボリューション・トランス (Spking Convolutional Transformer) を提案する。 ボストン小児病院-MIT(CHB-MIT)脳波データセットを用いたスパイキング・コンフォーマーモデルによる評価結果について報告する。 生の脳波データを入力として使用することにより、提案されたスパイキングコンフォーマーの平均感度は94.9%、特異度は99.3%に達した。
  論文  参考訳（メタデータ） (2024-01-21T19:23:56Z)
• Global Deep Forecasting with Patient-Specific Pharmacokinetics [14.550711449872512]
  本稿では,患者固有の治療効果の深層学習モデルを示すハイブリッドグローバルローカルアーキテクチャとPKエンコーダを提案する。 血糖予測タスクにおいて, 精度向上のためのアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2023-09-22T18:43:41Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• 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)
• Differentially private training of neural networks with Langevin dynamics forcalibrated predictive uncertainty [58.730520380312676]
  その結果,DP-SGD(差分偏差勾配勾配勾配勾配勾配)は,低校正・過信深層学習モデルが得られることがわかった。 これは、医療診断など、安全クリティカルな応用にとって深刻な問題である。
  論文  参考訳（メタデータ） (2021-07-09T08:14:45Z)
• Evaluating the Effect of Longitudinal Dose and INR Data on Maintenance Warfarin Dose Predictions [3.596035360729756]
  機械学習アルゴリズムはますますウォーファリンの投与に使われている。 個々のワーファリン反応の変動を,事前線量列とinrがよりよく捉えるので,持続線量応答データが維持線量予測を改善すると仮定した。 保守ワーファリン用量を予測するための様々な機械学習回帰モデルは、臨床要因と投与履歴とINRデータを特徴として訓練された。 総じて、単線量とINRによる線量補正アルゴリズムは、基準線量修正アルゴリズムと同等の性能を達成した。
  論文  参考訳（メタデータ） (2021-05-06T13:01:42Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• 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。