کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6853322 1437153 2018 6 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Personalized prediction of drug efficacy for diabetes treatment via patient-level sequential modeling with neural networks
ترجمه فارسی عنوان
پیش بینی شخصی از اثربخشی دارو برای درمان دیابت با استفاده از مدل های ترتیبی در سطح بیمار با شبکه های عصبی
کلمات کلیدی
دیابت نوع 2، پیش بینی کمبود مواد مخدر، مدل سازی پیوسته، پیش بینی شخصی شبکه عصبی،
ترجمه چکیده
بیماران مبتلا به دیابت نوع 2 به طور کلی تحت درمان مداوم طولانی مدت مبتنی بر داروهای ضد دیابت قرار می گیرند تا سطح گلوکز مورد نظر را بدست آورند. بنابراین، هر بیمار با دنباله ای از مدارک متعدد برای نسخه ها و اثربخشی آنها همراه است. وابستگی های سریالی در این سوابق به عنوان عوامل فردی تعبیه شده است، بنابراین سوابق قبلی بر اثربخشی تجویزی فعلی برای هر بیمار تاثیر می گذارد. در این مطالعه، ما یک رویکرد مدل سازی پیوسته بیمار را با استفاده از وابستگی های ترتیبی ارائه می دهیم تا یک پیش بینی شخصی از اثربخشی تجویز ارائه شود. مدل های پیش بینی شده با استفاده از شبکه های عصبی مکرر که از تمام پرونده های قبلی به عنوان ورودی ها برای پیش بینی کارایی نسخه در زمان تجویز جاری برای هر بیمار استفاده می شود، اجرا می شود. از طریق این رویکرد، پرونده های تاریخی هر بیمار به طور موثری در پیش بینی قرار می گیرد. نتایج تجربی هر دو تجزیه و تحلیل رگرسیون و طبقه بندی بر روی داده های دنیای واقعی نشان می دهد دقت پیش بینی بهبود یافته، به ویژه برای کسانی که دارای پرونده های قبلی متعدد است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Patients with type 2 diabetes mellitus are generally under continuous long-term medical treatment based on anti-diabetic drugs to achieve the desired glucose level. Thus, each patient is associated with a sequence of multiple records for prescriptions and their efficacies. Sequential dependencies are embedded in these records as personal factors so that previous records affect the efficacy of the current prescription for each patient. In this study, we present a patient-level sequential modeling approach utilizing the sequential dependencies to render a personalized prediction of the prescription efficacy. The prediction models are implemented using recurrent neural networks that use the sequence of all the previous records as inputs to predict the prescription efficacy at the time the current prescription is provided for each patient. Through this approach, each patient's historical records are effectively incorporated into the prediction. The experimental results of both the regression and classification analyses on real-world data demonstrate improved prediction accuracy, particularly for those patients having multiple previous records.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Artificial Intelligence in Medicine - Volume 85, April 2018, Pages 1-6
نویسندگان
,