基于神经药代/药效动力学模型从早期数据深度学习预测患者反应时间过程
机器学习
2021-06-24 v1 定量方法
摘要
目前，患者在给药后的反应时间过程的纵向分析是使用药代动力学/药效动力学（PK/PD）方法进行的，这需要动力学系统建模方面的丰富经验和专业知识。通过利用深度学习的最新进展，我们表明控制微分方程可以直接从纵向患者数据中学习。特别地，我们提出了一种新颖的神经-PK/PD 框架，将关键药理原理与神经常微分方程相结合。我们将其应用于由超过 600 名患者组成的临床数据集的药物浓度和血小板反应分析。我们表明神经-PK/PD 模型在时间预测指标上优于最先进的模型。此外，通过将关键 PK/PD 概念纳入其架构，该模型可以泛化并实现患者对未测试给药方案反应的模拟。这些结果展示了神经-PK/PD 用于患者反应时间过程自动预测分析的潜力。
引用
@article{arxiv.2010.11769,
title = {Deep learning prediction of patient response time course from early data via neural-pharmacokinetic/pharmacodynamic modeling},
author = {James Lu and Brendan Bender and Jin Y. Jin and Yuanfang Guan},
journal= {arXiv preprint arXiv:2010.11769},
year = {2021}
}
备注
Nat Mach Intell (2021)