دوره 9، شماره 4 - ( 12-1401 )
جلد 9 شماره 4 صفحات 229-209 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Maghsoudi R, Mirzarezaee M, Sadeghi M, Najar-Araabi B. Development of a Pharmacogenomics Model based on Support Vector Regression with Optimal Features Selection Approach to Determine the Initial Therapeutic Dose of Warfarin Anticoagulant Drug. jhbmi 2023; 9 (4) :209-229
URL: http://jhbmi.ir/article-1-721-fa.html
URL: http://jhbmi.ir/article-1-721-fa.html
مقصودی روح الله، میرزارضایی میترا، صادقی مهدی، نجار اعرابی بابک. توسعه مدل فارماکوژنومیکس مبتنی بر رگرسیون بردار پشتیبان با رویکرد انتخاب ویژگی‌های بهینه جهت تعیین دوز اولیه درمانی داروی ضد انعقادی وارفارین. مجله انفورماتیک سلامت و زیست پزشکی. 1401; 9 (4) :209-229
استادیار، گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
چکیده: (669 مشاهده)
مقدمه: فارماکوژنومیکس و استفاده از ابزارهای هوش مصنوعی در آن یکی از جدیدترین زمینه‌های تحقیقاتی بیوانفورماتیک است. یکی از داروهای بسیار مهم که تعیین دوز اولیه درمانی آن کار مشکلی است، داروی ضدانعقادی وارفارین میباشد. وارفارین یک داروی ضد انعقاد خوراکی است که انتخاب دوز بهینه آن به دلیل پنجره درمانی باریک و روابط پیچیده فاکتورهای فردی، چالش برانگیز است. هدف این پژوهش تعیین دوز اولیه بهینه میباشد.
روش: در میان روش‌های مبتنی بر کرنل، مقایسه و شناسایی کرنل مناسب مورد بحث قرار نگرفته است. در این پژوهش ضمن بررسی دقیق این رویکرد، الگوریتم‌های مختلف انتخاب ویژگی را مورد آنالیز قرار داده و با تکیه به نظر خبرگان، زیرمجموعه مناسب از متغیرهای پیش‌بین مؤثر جهت تخمین دوز شناسایی خواهد شد.
نتایج: در این مطالعه از مجموعه داده‌ای جمع‌آوری شده توسط کنسرسیوم بین‌المللی وارفارین استفاده شده است. نتایج نشان می‌دهد که ماشین بردار پشتیبان با کرنل مناسب و زیرمجموعه ویژگی‌های پیشنهادی قادر است به طور موفقیت‌آمیزی دوز ایده‌آل وارفارین را برای درصد قابل توجهی از بیماران با خطایی حدود 0/7 میلی‌گرم در هفته پیش‌بینی کند.
نتیجه‌گیری: تخمین با نسخه حداقل مربعات رگرسیون بردار پشتیبان مبتنی بر کرنل مناسب و با یک استراتژی مناسب انتخاب ویژگی صورت گرفت. در این روش، رویکرد بهتری برای پیش‌بینی دوز بهینه درمانی وارفارین ارائه شده است که قادر است خطای دوزهای اشتباه و عواقب ناشی از آن را به طور قابل ملاحظه‌ای کاهش دهد.
روش: در میان روش‌های مبتنی بر کرنل، مقایسه و شناسایی کرنل مناسب مورد بحث قرار نگرفته است. در این پژوهش ضمن بررسی دقیق این رویکرد، الگوریتم‌های مختلف انتخاب ویژگی را مورد آنالیز قرار داده و با تکیه به نظر خبرگان، زیرمجموعه مناسب از متغیرهای پیش‌بین مؤثر جهت تخمین دوز شناسایی خواهد شد.
نتایج: در این مطالعه از مجموعه داده‌ای جمع‌آوری شده توسط کنسرسیوم بین‌المللی وارفارین استفاده شده است. نتایج نشان می‌دهد که ماشین بردار پشتیبان با کرنل مناسب و زیرمجموعه ویژگی‌های پیشنهادی قادر است به طور موفقیت‌آمیزی دوز ایده‌آل وارفارین را برای درصد قابل توجهی از بیماران با خطایی حدود 0/7 میلی‌گرم در هفته پیش‌بینی کند.
نتیجه‌گیری: تخمین با نسخه حداقل مربعات رگرسیون بردار پشتیبان مبتنی بر کرنل مناسب و با یک استراتژی مناسب انتخاب ویژگی صورت گرفت. در این روش، رویکرد بهتری برای پیش‌بینی دوز بهینه درمانی وارفارین ارائه شده است که قادر است خطای دوزهای اشتباه و عواقب ناشی از آن را به طور قابل ملاحظه‌ای کاهش دهد.
واژه‌های کلیدی: فارماکوژنومیکس، تخمین دوز اولیه وارفارین، انتخاب ویژگی، رگرسیون بردار پشتیبان حداقل مربعات
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
هوش مصنوعی در حوزه سلامت
دریافت: 1401/6/17 | پذیرش: 1401/9/30
دریافت: 1401/6/17 | پذیرش: 1401/9/30
فایل صوتی [MP3 839 KB] (21 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
