<optgroup id="m04aa"><small id="m04aa"></small></optgroup><center id="m04aa"><wbr id="m04aa"></wbr></center><center id="m04aa"></center>
<optgroup id="m04aa"><small id="m04aa"></small></optgroup>
<noscript id="m04aa"></noscript>
<optgroup id="m04aa"></optgroup>
侵權投訴
訂閱
糾錯
加入自媒體

CDSS讓耐藥性結核病治療更具個性化|世界防治結核病日

2022-03-25 11:07
CDSreport
關注

導讀

2022年3月24日是第27個世界防治結核病日,在醫療過程日趨個性化的今天,將患者基因組信息整合到臨床決策中仍具有相當的挑戰性,尤其對于普通醫務人員而言。CDSS能夠將基因型-表型特征轉化為最佳治療,幫助經驗不足的醫務人員為患者實施個性化的醫療方法。

個性化醫療決策能夠做到“在正確的患者身上以正確的劑量使用正確的藥物進行治療”。為了實施個性化醫療,需要進行診斷前檢測,以確定患者的、和/或病原體的表型和遺傳特征。鑒于基因型-表型關聯數據的快速發展,將患者個體基因組信息整合到臨床決策中具有挑戰性,尤其是對于普通醫務人員而言。

自動化臨床決策支持系統(CDSS)能夠將基因型與表型特征轉化為最佳治療,幫助經驗不足的醫務人員為患者實施個性化的醫療方法。一項近期發表于BMC Medical Informatics and Decision Making的研究介紹了一種新的治療推薦CDSS的開發過程,及其應用于指導耐藥結核病個體化治療的情況。

01

模型使用最少數據提出最佳個體化治療策略

在該研究中,研究者的目的是開發一種全自動的、結合知識和數據驅動的治療推薦CDSS,并利用“眾包”模式來訓練和評估模型性能,以識別和選擇針對患者個體的最佳治療方案。

首先,研究者組建了包括病原體基因組學;藥理學;臨床專家;衛生信息技術或計算機科學專家;衛生系統和衛生經濟專家在內的專家組,確保采用多學科和整體方法。此外,還咨詢了患者意見(如副作用對其生活質量的影響)。

其次,以迭代方式構建知識庫,確定相關單藥的關鍵特征;建立治療方案特征,包括所需有效藥物的數量及藥物特征等;并對CDSS的數據輸入要求、用戶友好設計等進行溝通、處理。

第三,分6個步驟完成模型開發:1.開發系統原型來對單個患者的所有可能有效的治療方案進行排序。

2.針對代表目標人群的患者得分最高的方案樣本收集專家反饋。

3.機器學習模型開發并利用專家反饋進行訓練。

4.使用P@1、平均倒數排名(MRR)、平均精度均值(mAP)等三個指標評估模型在推薦最佳個體治療方案方面的性能。P@1是專家將排名靠前的方案歸類為適當方案的患者比例;MRR表示模型中第一治療方案在所有患者中排名的平均值;mAP是指所有適當治療方案在每位患者中排名的平均值。機器學習-專家反饋收集-模型性能評估的過程不斷重復,直到模型不再有實質性改進。

5.在不同的真實世界數據集中對模型進行測試,以評估其對訓練數據的過擬合程度,并驗證該模型是否可轉移至新數據。

6.通過現場測試評估模型在臨床試驗參與者中的個體化治療效果。在干預組中,模型使用所需最少的患者信息和基因組信息數據來為該患者提出最佳個體化治療。

02

CDSS開發過程促10626種有效治療方案成為可能

完成模型開發和訓練后,研究者開始利用其開發治療推薦CDSS,并用于指導對利福平耐藥結核。≧R-TB)的個體化治療。RR-TB治療推薦CDSS的開發目的為“在高結核病負擔且資源有限的環境下,通過優化個體化治療方案,改善RR-TB治療結果”,主要目標受眾是在這種環境下治療RR-TB患者的臨床醫生。

多學科專家指導小組開會討論模型的特征選擇/輸入參數,重點集中在有效治療方案中所需的藥物數量、醫療系統的負擔、監測負擔、藥物毒性、藥物特征和臨床患者特征以及基因組耐藥譜等。參數的不確定性通過文獻檢索、查找未發表數據和迭代討論來解決,直到達成共識。會議的進展是,在南非獲批24種治療結核病的藥物,9種藥物特征,18種方案特征,并達成共識——4種有效藥物需納入所有個體化方案中(Table 1);谶@些決定,對于無耐藥性患者來說,多達10626種有效治療方案成為可能。

訓練數據集方面,研究者使用的是包含南非三個省355名確診為RR-TB患者的臨床和全基因組測序數據,其中包含129種不同的耐藥譜,由一組6名具有耐藥結核病治療經驗的臨床醫生使用結構化的在線調查對推薦的治療提供反饋。模型性能評估結果顯示,P@1為89%,mAP為53%,MRR為90%。

接下來,專家組經過討論后對原型進行修改。比如,不同藥物功效的量化特征由最初的單一特征變為三個;谶@些結果,針對更新后的模型進行第二輪臨床醫生反饋收集。反饋結果為三個性能參數均有所提升:P@1從89%提升至95%,mAP從53%提升至69%,MRR從90%提升至97%。

到第三輪反饋后,模型性能不再有所改善,P@1和MRR穩定在95%,mAP在70%左右。P@1提升至95%,表明對可接受方案進行正確建議的比例提升。MRR表明,平均來看,第一個可接受方案在多輪反饋后排名較高,在第3輪后略有下降。結合MMR和P@1的提升來看,雖然模型仍然存在錯誤,但已經不那么嚴重了。最后,MAP的變化表明,三輪反饋后,平均來看,所有被接受方案的排名都較高,這表明模型正在學習構成良好治療方案的潛在特征。

為了進行外部驗證,模型使用了一個包含另一省份64位RR-TB患者獨特耐藥譜的數據集。在這個外部驗證集中,模型性能較低,P@1為78%,mAP為68%,MRR為87%(Table 2)。經過評估及改進,專家小組認為,再多幾輪反饋收集可能也不會再大大改善其性能。

03

新的治療推薦CDSS仍需進一步性能參數評估

當前,機器學習和神經網絡等人工智能方法已被納入個性化醫療框架中,以了解預后特征與個體患者治療失敗風險之間的復雜和非線性關系。比如,在該研究中,研究者們開發的治療推薦CDSS,它結合了基于反饋收集的知識驅動方法和基于機器學習的數據驅動方法,使得個性化治療更為自動、智能。

新的治療推薦CDSS有望幫助醫生為患者開出最佳治療方案,但要在臨床環境中真正實施需要幾個步驟。首先,要在世界不同地區的臨床試驗中利用該模型的其他性能參數對其進行評估,以確定其在個性化醫療現實決策中的準確性。其次,保障措施要到位,因為CDSS始終只是輔助決策工具,并不能替代臨床專業知識和判斷。最后,理想的治療推薦CDSS應當具備易于使用的界面,比如醫務人員可以通過安全的移動應用交流治療建議。

研究者同時也指出,雖然新模型擁有很多優勢,包括結合了數據和知識驅動、使用“眾包”方法進行治療決策研究,以及高度的靈活性,但仍要注意其局限性。比如,其一,目前還沒有共識方法來評估模型性能,也沒有關于何時停止迭代開發過程的明確決策邊界。其二,該模型是由有限的專家組負責開發的。

研究者們強調,雖然新的治療推薦CDSS很有前景,但仍只是促進廣泛實施個性化醫療的第一步。進一步的研究應評估其在耐藥結核病以外領域的價值,開發可靠的統計方法來評估模型性能以及它們在現實臨床環境中的準確性。

圖片標題

【責任編輯:蘇夏】

——本公眾號所有圖文,未經許可,嚴禁轉載!

如需轉載,請提前與編輯聯系取得轉載許可。否則視為侵權!

       原文標題 : CDSS讓耐藥性結核病治療更具個性化|世界防治結核病日

聲明: 本文由入駐維科號的作者撰寫,觀點僅代表作者本人,不代表OFweek立場。如有侵權或其他問題,請聯系舉報。

發表評論

0條評論,0人參與

請輸入評論內容...

請輸入評論/評論長度6~500個字

您提交的評論過于頻繁,請輸入驗證碼繼續

暫無評論

暫無評論

醫療科技 獵頭職位 更多
文章糾錯
x
*文字標題:
*糾錯內容:
聯系郵箱:
*驗 證 碼:

粵公網安備 44030502002758號

太大太粗太爽免费视频
<optgroup id="m04aa"><small id="m04aa"></small></optgroup><center id="m04aa"><wbr id="m04aa"></wbr></center><center id="m04aa"></center>
<optgroup id="m04aa"><small id="m04aa"></small></optgroup>
<noscript id="m04aa"></noscript>
<optgroup id="m04aa"></optgroup>