| _version_ |
1828462353710055424
|
| author |
Μανιταράς, Γρηγόριος
|
| author2 |
Συμεωνίδης, Παναγιώτης
|
| author_facet |
Συμεωνίδης, Παναγιώτης
Μανιταράς, Γρηγόριος
|
| author_sort |
Μανιταράς, Γρηγόριος
|
| collection |
DSpace
|
| description |
Στις μέρες μας η πολυφαρμακία συνεπάγεται τη συνταγογράφηση πάρα πολλών φαρμάκων για έναν μεμονωμένο ασθενή, με σχετιζόμενο υψηλότερο κίνδυνο ανεπιθύμητων ενεργειών φαρμάκων (ADRs) και αλληλεπιδράσεων.
Ο όρος χρησιμοποιείται όταν ένας ασθενής λαμβάνει πάρα πολλά φάρμακα ή όταν τα φάρμακα έχουν συνταγογραφηθεί από πολλούς γιατρούς και μπορεί να μην έχουν συντονιστεί καλά. Τέτοιοι ασθενείς συνήθως ακολουθήστε μια θεραπεία που αποτελείται από πολλά διαφορετικά φάρμακα, γεγονός που αυξάνει τον κίνδυνο ανεπιθύμητων παρενέργειες και ίσως είναι επιβλαβείς περιστασιακά. Προηγούμενη έρευνα στον τομέα της υγειονομικής περίθαλψης έχει ασχοληθεί με το ασφαλές ζητήματα συνταγογράφησης φαρμάκων, με την ενσωμάτωση των Ηλεκτρονικών Μητρώων Υγείας (ΗΜΥ) του ασθενούς με αντίθετο γράφημα γνώσεων αλληλεπίδρασης φαρμάκου (DDI) για την πρόβλεψη του επόμενου συνδυασμού φαρμάκων για τον ασθενή θεραπεία και ελαχιστοποίηση των παρενεργειών του φαρμάκου.
Σε αυτή την εργασία, μελετάμε τις σχέσεις ασθενούς-φαρμάκου χρησιμοποιώντας το πραγματικό σύνολο δεδομένων MIMIC III. Τροφοδοτούμε τα δεδομένα σε 6 διαφορετικά μοντέλα που αργότερα συγκρίνουμε όσον αφορά την αποτελεσματικότητα και την ασφάλεια κατά την σύσταση συνδυασμών φαρμάκων. Μελετάμε επίσης τις σχέσεις φαρμάκου-φαρμάκου από τη βάση δεδομένων που χρησιμοποιούμε ως βοηθητικά δεδομένα. Επιπλέον, χρησιμοποιούμε τον αλγόριθμο Post Hoc Re-rank για το μοντέλο μας με την καλύτερη απόδοση (Singular Value Decomposition - SVD) για να ενσωματώσουμε πληροφορίες σχετικά με τις αλληλεπιδράσεις φαρμάκων στις βαθμολογίες συστάσεων και τα αποτελέσματα ήταν αρκετά ελπιδοφόρα. Μετράμε τις εμφανίσεις κάθε φαρμάκου στη λίστα με τις αντίθετες αλληλεπιδράσεις φαρμάκου και φαρμάκων και τις παρενέργειες που θα μπορούσε ενδεχομένως να προκαλέσει κάθε συνδυασμός φαρμάκων. Παρατηρούμε μια μικρή αλλά αναμενόμενη απώλεια στην απόδοση του μοντέλου αλλά ταυτόχρονα μειώθηκε η βαθμολογία τοξικότητας για τις συστάσεις, γεγονός που μας εγγυάται καλύτερα αποτελέσματα.
|
| id |
oai:hellanicus.lib.aegean.gr:11610-24949
|
| institution |
Hellanicus
|
| language |
English
|
| publishDate |
2023
|
| record_format |
dspace
|
| spelling |
oai:hellanicus.lib.aegean.gr:11610-249492023-03-29T07:03:56Z Recommendation of safe drug combinations Σύσταση ασφαλών συνδυασμών φαρμάκων Μανιταράς, Γρηγόριος Συμεωνίδης, Παναγιώτης machine learning recommendation system drug combinations μηχανική μάθηση σύστημα συστάσεων συνδυασμοί φαρμάκων Machine learning Drug combinations Recommender systems (Information filtering) Στις μέρες μας η πολυφαρμακία συνεπάγεται τη συνταγογράφηση πάρα πολλών φαρμάκων για έναν μεμονωμένο ασθενή, με σχετιζόμενο υψηλότερο κίνδυνο ανεπιθύμητων ενεργειών φαρμάκων (ADRs) και αλληλεπιδράσεων. Ο όρος χρησιμοποιείται όταν ένας ασθενής λαμβάνει πάρα πολλά φάρμακα ή όταν τα φάρμακα έχουν συνταγογραφηθεί από πολλούς γιατρούς και μπορεί να μην έχουν συντονιστεί καλά. Τέτοιοι ασθενείς συνήθως ακολουθήστε μια θεραπεία που αποτελείται από πολλά διαφορετικά φάρμακα, γεγονός που αυξάνει τον κίνδυνο ανεπιθύμητων παρενέργειες και ίσως είναι επιβλαβείς περιστασιακά. Προηγούμενη έρευνα στον τομέα της υγειονομικής περίθαλψης έχει ασχοληθεί με το ασφαλές ζητήματα συνταγογράφησης φαρμάκων, με την ενσωμάτωση των Ηλεκτρονικών Μητρώων Υγείας (ΗΜΥ) του ασθενούς με αντίθετο γράφημα γνώσεων αλληλεπίδρασης φαρμάκου (DDI) για την πρόβλεψη του επόμενου συνδυασμού φαρμάκων για τον ασθενή θεραπεία και ελαχιστοποίηση των παρενεργειών του φαρμάκου. Σε αυτή την εργασία, μελετάμε τις σχέσεις ασθενούς-φαρμάκου χρησιμοποιώντας το πραγματικό σύνολο δεδομένων MIMIC III. Τροφοδοτούμε τα δεδομένα σε 6 διαφορετικά μοντέλα που αργότερα συγκρίνουμε όσον αφορά την αποτελεσματικότητα και την ασφάλεια κατά την σύσταση συνδυασμών φαρμάκων. Μελετάμε επίσης τις σχέσεις φαρμάκου-φαρμάκου από τη βάση δεδομένων που χρησιμοποιούμε ως βοηθητικά δεδομένα. Επιπλέον, χρησιμοποιούμε τον αλγόριθμο Post Hoc Re-rank για το μοντέλο μας με την καλύτερη απόδοση (Singular Value Decomposition - SVD) για να ενσωματώσουμε πληροφορίες σχετικά με τις αλληλεπιδράσεις φαρμάκων στις βαθμολογίες συστάσεων και τα αποτελέσματα ήταν αρκετά ελπιδοφόρα. Μετράμε τις εμφανίσεις κάθε φαρμάκου στη λίστα με τις αντίθετες αλληλεπιδράσεις φαρμάκου και φαρμάκων και τις παρενέργειες που θα μπορούσε ενδεχομένως να προκαλέσει κάθε συνδυασμός φαρμάκων. Παρατηρούμε μια μικρή αλλά αναμενόμενη απώλεια στην απόδοση του μοντέλου αλλά ταυτόχρονα μειώθηκε η βαθμολογία τοξικότητας για τις συστάσεις, γεγονός που μας εγγυάται καλύτερα αποτελέσματα. Nowadays polypharmacy implies to the prescription of too many medications for an individual patient, with an associated higher risk of adverse drug reactions (ADRs) and interactions. The term is used when a patient is taking too many medications, or when the drugs have been prescribed by many doctors, and may not have been coordinated well. Such patients usually follow a treatment that consists of multiple different drugs, which increases the risk of unwanted side-effects and maybe be harmful occasionally. Previous healthcare research has addressed the safe drug prescription issues, by integrating the patient's Electronic Health Records (EHRs) with an adversarial Drug-Drug Interaction (DDI) knowledge graph to predict the next drug combination for a patient's therapy and minimize the drug side effects. In this paper, we study the patient-drug relationships by making use of the real life dataset MIMIC III. We feed the data to 6 different models that we later compare in terms of efficiency and safety in recommending drug combinations. We also study the drug-drug relationships from the database that we use as auxiliary data. Furthermore, we use the Post Hoc Re-rank algorithm for our best performing model (Singular Value Decomposition - SVD) to incorporate information on drug interactions in the recommendation scores and the results were pretty promising. We count the occurrences of each drug in the list of adversarial drug-drug interactions and the side effects that each drug combination could potentially cause. We observe a slight but expected loss in efficiency of the model but at the same time the toxicity score for recommendations dropped which guarantees us better results. 2023-03-22T12:52:51Z 2023-03-22T12:52:51Z 2022-12-17 http://hdl.handle.net/11610/24949 en CC0 1.0 Παγκόσμια http://creativecommons.org/publicdomain/zero/1.0/ 83 σ. application/pdf Σάμος
|
| spellingShingle |
machine learning
recommendation system
drug combinations
μηχανική μάθηση
σύστημα συστάσεων
συνδυασμοί φαρμάκων
Machine learning
Drug combinations
Recommender systems (Information filtering)
Μανιταράς, Γρηγόριος
Recommendation of safe drug combinations
|
| title |
Recommendation of safe drug combinations
|
| title_full |
Recommendation of safe drug combinations
|
| title_fullStr |
Recommendation of safe drug combinations
|
| title_full_unstemmed |
Recommendation of safe drug combinations
|
| title_short |
Recommendation of safe drug combinations
|
| title_sort |
recommendation of safe drug combinations
|
| topic |
machine learning
recommendation system
drug combinations
μηχανική μάθηση
σύστημα συστάσεων
συνδυασμοί φαρμάκων
Machine learning
Drug combinations
Recommender systems (Information filtering)
|
| url |
http://hdl.handle.net/11610/24949
|
| work_keys_str_mv |
AT manitarasgrēgorios recommendationofsafedrugcombinations
AT manitarasgrēgorios systasēasphalōnsyndyasmōnpharmakōn
|