چطور این مقاله مهندسی کامپیوتر و IT را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2009978 رایگان است. ترجمه چکیده این مقاله مهندسی کامپیوتر و IT در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل انگلیسی :
291 Kb
حجم فایل فارسی :
383 کیلو بایت
نوع فایل های ضمیمه :
pdf+word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
پیشبینی نتیجه درمان افسردگی به روش کارآزمایی-متقاطع: یک رویکرد مبتنی بر یادگیری ماشین
عنوان انگليسي
Cross-trial prediction of treatment outcome in depression: a machine learning approach
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی کامپیوتر و IT شامل 8 صفحه انگلیسی به صورت پی دی اف و 21 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
پیش‌زمینه:میزان اثربخشی داروهای ضد افسردگی بر درمان افسردگی اندک است، اما ممکن است بتوان این اثربخشی را با تطبیق بیماران با داروهای تجویزی افزایش داد. در حال حاضر، پزشکان مکانیسم‌های تجربی تایید شده‌ای برای ارزیابی نحوه‌ی پاسخ یک بیمار مبتلا به افسردگی به یک داروی ضد افسردگی خاص در اختیار ندارند. در این مطالعه، هدف ما توسعه‌ی الگوریتمی است که میزان بهبود بیماران پس از یک دوره ۱۲ هفته‌ای مصرف سیتالوپرام را ارزیابی می‌کند. روش‌ها: ما برای شناسایی متغیرهایی که برای پیشبینی نتیجه درمان بیشترین تاثیر را دارند از داده‌های گزارش شده توسط بیماران مبتلا به افسردگی (n=4041، با 1949 تکمیل‌کننده) استفاده کرده‌ایم. این داده‌ها مربوط به کارآزمایی سطح ۱ «درمان‌های جایگزین برای تسکین افسردگی» (STAR*D؛ ClinicalTrials.gov، شماره NCT00021528) می‌باشند. از این متغیرها برای آموزش یک مدل یادگیری-ماشین جهت پیشبینی میزان بهبودهای بالینی استفاده شد. ما مدل توسعه داده شده را توسط یک کارآزمایی بالینی مستقل (کارآزمایی «ترکیب داروها برای افزایش پیامدهای افسردگی»،[COMED]؛ ClinicalTrials.gov، شماره NCT00590863) مربوط به گروه درمان با اسیتالوپرام (n=151) اعتبارسنجی کردیم (اعتبارسنجی با داده‌های خارجی). یافته‌ها: از بین ۱۶۴ متغیر قابل گزارش توسط بیماران، ما 25 متغیر را شناسایی کردیم که بیشترین تاثیر را بر روی پیشبینی نتیجه درمان دارند و از این متغیرهای برای آموزش مدل خود استفاده کردیم. این مدل با استفاده از روش اعتبارسنجی-متقابل (اعتبارسنجی داخلی) مورد اعتبارسنجی قرار گرفت. نتایج پیشبینی در کارآزمایی هم‌گروهی (کوهورت) STAR*D به طور قابل توجهی دارای دقت بالایی است (64.4% [SD 3.2]؛ p<0.0001). این مدل توسط کارآزمایی COMED مربوط به گروه درمان اسیتالوپرام (N=151) اعتبارسنجی شد (دقت 59.6%، p=0.043). این مدل همچنین در کارآزمایی COMED مربوط به گروه درمان ترکیبی اسیتالوپرام-بوپروپریون دقت قابل توجهی داشته است (n=134؛ دقت 59.7%، p=0.023). اما دقت مدل برای گروه درمان ترکیبی ونلافاکسین-میرتازاپین قابل توجه نیست (n=140؛ دقت 51.4%، p=0.53). تفسیر: ساخت مدل‌های آماری به کمک داده کاوی داده‌های کارآزمایی بالینی، می‌تواند به شناسایی بیمارانی که احتمال پاسخ به یک درمان دارویی مشخص را دارند کمک کند.
1-مقدمه
تنها ۱۱ الی ۳۰ درصد از بیماران مبتلا به افسردگی، با درمان اولیه (پس از ۸ الی ۱۲ ماه) به بهبودی می‌رسند. یکی از عواملی که میزان اثربخشی درمان را کاهش می‌دهد، ناتوانی در شخصی‌سازی دارودرمانی است. متخصصان بالینی، در طول یک دوره‌ی طولانی به صورت آزمون و خطا بیماران را با داروهای ضدافسردگی خاص مطابقت می‌دهند. این کار فرآیند بهبود بالینی را به تاخیر می اندازد و خطرات و هزینه های درمان را افزایش می دهد....
یادگیری ماشین
:کلمات کلیدی
Abstract
Background Antidepressant treatment efficacy is low, but might be improved by matching patients to interventions. At present, clinicians have no empirically validated mechanisms to assess whether a patient with depression will respond to a specific antidepressant. We aimed to develop an algorithm to assess whether patients will achieve symptomatic remission from a 12-week course of citalopram.
Methods We used patient-reported data from patients with depression (n=4041, with 1949 completers) from level 1 of the Sequenced Treatment Alternatives to Relieve Depression (STAR*D; ClinicalTrials.gov, number NCT00021528) to identify variables that were most predictive of treatment outcome, and used these variables to train a machine-learning model to predict clinical remission. We externally validated the model in the escitalopram treatment group (n=151) of an independent clinical trial (Combining Medications to Enhance Depression Outcomes [COMED]; ClinicalTrials.gov, number NCT00590863(.
Findings We identified 25 variables that were most predictive of treatment outcome from 164 patient-reportable variables, and used these to train the model. The model was internally cross-validated, and predicted outcomes in the STAR*D cohort with accuracy significantly above chance (64·6% [SD 3·2]; p<0·0001). The model was externally validated in the escitalopram treatment group (N=151) of COMED (accuracy 59·6%, p=0.043). The model also performed significantly above chance in a combined escitalopram-buproprion treatment group in COMED (n=134; accuracy 59·7%, p=0·023), but not in a combined venlafaxine-mirtazapine group (n=140; accuracy 51·4%, p=0·53) ,suggesting specificity of the model to underlying mechanisms.
Interpretation Building statistical models by mining existing clinical trial data can enable prospective identification of patients who are likely to respond to a specific antidepressant.
Keywords:
machine learning
سایر منابع مهندسی کامپیوتر و IT در زمینه یادگیری ماشین