ADEP：一种基于判别器增强编码器-解码器架构的多药治疗不良反应准确预测新方法
机器学习
2024-06-04 v1 定量方法
摘要
动机：未预料到的药物-药物相互作用（DDIs）在多药治疗中带来显著风险，强调了预测方法的必要性。计算技术的最新进展旨在应对这一挑战。方法：我们提出ADEP，一种新颖的方法，集成判别器和编码器-解码器模型以解决数据稀疏性并增强特征提取。ADEP采用三部分模型，包括多种分类方法，预测多药治疗中的不良反应。结果：在基准数据集上的评估显示，ADEP优于知名方法如GGI-DDI、SSF-DDI、LSFC、DPSP、GNN-DDI、MSTE、MDF-SA-DDI、NNPS、DDIMDL、随机森林、K近邻、逻辑回归和决策树。关键指标包括准确率、AUROC、AUPRC、F分数、召回率、精确率、假阴性和假阳性。ADEP实现了更准确的多药治疗不良反应预测。一个真实世界数据的案例研究展示了ADEP在识别潜在DDIs和预防不良反应中的实际应用。结论：ADEP显著推进了多药治疗不良反应的预测，提供了更高的准确性和可靠性。其创新架构增强了从稀疏医疗数据中的特征提取，改善了用药安全和患者预后。可用性：源代码和数据集可在https://github.com/m0hssn/ADEP获取。
引用
@article{arxiv.2406.00118,
title = {ADEP: A Novel Approach Based on Discriminator-Enhanced Encoder-Decoder Architecture for Accurate Prediction of Adverse Effects in Polypharmacy},
author = {Katayoun Kobraei and Mehrdad Baradaran and Seyed Mohsen Sadeghi and Raziyeh Masumshah and Changiz Eslahchi},
journal= {arXiv preprint arXiv:2406.00118},
year = {2024}
}
备注
13 pages, 1 figure