view in publisher's site

Dosage Prediction in Pediatric Medication Leveraging Prescription Big Data

Rational use of medicines is of great importance in pediatric clinical medication. As the pharmacokinetics and pharmacodynamics of the pediatric group is highly dynamic, it is a great challenge to determine the rational dosage for pediatric patients. Traditional clinical decision support systems for dosage guidance largely rely on manual collection of medication information, which usually suffers from incomplete and missing evidences for the pediatric group. In this paper, we propose a data-driven approach to accurately predict pediatric medication dosages by leveraging prescription big data. More specifically, we first identify two relevant factors of pediatric medication dosage, i.e., the physiology factors including patients' body weight and age group, and the indication factors that affect clinical dosage patterns. We then extract the corresponding physiology and indication features, and propose a hybrid-learning-based method to adaptively integrate the two sets of heterogeneous features into a model for accurate pediatric dosage prediction. We evaluate our method on real-world prescription datasets from two tertiary children's hospitals. Results show that our method predicts pediatric medication dosages with an accuracy above 81.3%, and consistently outperforms other baselines.

پیش‌بینی Dosage در درمان دارویی کودکان به داده‌های بزرگ تجویز می‌شود

استفاده منطقی از داروها در داروهای بالینی کودکان اهمیت زیادی دارد. از آنجا که the و pharmacodynamics گروه کودکان بسیار پویا هستند، این یک چالش بزرگ برای تعیین میزان مناسب برای بیماران خردسال است. سیستم‌های پشتیبانی از تصمیم بالینی سنتی برای هدایت dosage عمدتا بر مجموعه دستی اطلاعات دارویی تکیه دارند که معمولا از مدارک ناقص و ناقص برای گروه کودکان رنج می‌برند. در این مقاله، ما یک رویکرد مبتنی بر داده را برای پیش‌بینی دقیق دوزهای اولیه دارو با استفاده از داده‌های بزرگ تجویز می‌کنیم. به طور خاص، ما ابتدا دو عامل مرتبط با میزان مصرف دارو را شناسایی کردیم، یعنی عوامل فیزیولوژی از جمله وزن بدن بیماران و گروه سنی و عوامل نشانه‌ای که بر الگوهای مصرف بالینی تاثیر می‌گذارند. سپس خواص فیزیولوژی و نشانه متناظر را استخراج می‌کنیم و یک روش مبتنی بر یادگیری ترکیبی را برای ادغام دو مجموعه مشخصه‌های همگن در یک مدل برای پیش‌بینی میزان مصرف کودکان پیشنهاد می‌کنیم. ما روش خود را بر روی مجموعه داده‌های نسخه در دنیای واقعی از دو بیمارستان tertiary tertiary ارزیابی می‌کنیم. نتایج نشان می‌دهد که روش ما، دوزهای دارو را با دقت بالای ۸۱.۳ درصد پیش‌بینی می‌کند و به طور پیوسته بهتر از baselines دیگر عمل می‌کند.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.