要点
问题机器学习模型能否预测初始抗癫痫药物的治疗成功?
发现通过使用常规收集的临床信息,这项队列研究在4个国家5个中心的1798名新诊断癫痫的成年人中万博manbetx平台首页开发了深度学习模型。该模型显示出在预测首次处方抗癫痫药物治疗成功方面的潜力。
意义这项研究的结果证明了在新诊断的癫痫患者中个性化预测治疗反应的潜在可行性。
重要性抗癫痫药物(asm)的选择在很大程度上仍然是一种试错的方法。在这种方法下,许多患者不得不忍受无效治疗的连续试验,直到开出“正确的药物”。
客观的利用现成的临床信息开发并验证深度学习模型,以预测单个患者的首次ASM治疗成功。万博manbetx平台首页
设计、设置和参与者这项队列研究开发并验证了一个预后模型。患者在1982年至2020年期间接受治疗。所有患者随访至少1年或直到第一次ASM失败。1982年至2020年期间,在苏格兰、马来西亚、澳大利亚和中国的专科诊所新治疗的2404名成年癫痫患者被纳入研究,其中606人(25.2%)因1个或多个变量信息缺失而被排除在最终队列之外。万博manbetx平台首页
曝光7种抗癫痫药物之一。
主要成果及措施利用16个临床因素的变压器模型架构和ASM信息,本队列研究首先汇集所有队列进行模型训练和测试。万博manbetx平台首页使用最大的队列再次训练模型,并在其他4个队列上进行外部验证。受试者工作特征曲线(AUROC)下的面积、加权平衡精度、敏感性和模型的特异性都被评估为基于最佳概率截断来预测治疗成功。治疗成功的定义是在服用第一次ASM的治疗的第一年完全没有癫痫发作。将变压器模型的性能与其他机器学习模型进行了比较。
结果最终纳入的队列包括1798名成年人(54.5%为女性;中位年龄34岁[IQR, 24-50岁])。使用合并队列训练的变压器模型在测试集上的AUROC为0.65 (95% CI, 0.63-0.67),加权平衡精度为0.62 (95% CI, 0.60-0.64)。使用最大队列训练的模型在外部验证队列中的auroc范围在0.52至0.60之间,加权平衡精度在0.51至0.62之间。在两种模型中,预测结果的最重要的临床变量是预处理癫痫发作次数、精神障碍的存在、脑电图和脑成像结果。在AUROC方面,使用合并队列开发的变压器模型优于其他5个模型中的2个。
结论与相关性在这项队列研究中,深度学习模型显示了基于临床信息对asm反应进行个性化预测的可行性。万博manbetx平台首页随着性能的提高,例如通过结合遗传和成像数据,该模型可能有助于临床医生在第一次试验中选择正确的药物。