评估纵向剂量与 INR 数据对维持华法林剂量预测的影响
机器学习
2021-05-07 v1 应用统计
摘要
华法林是一种常用处方抗凝血药，个体反应差异极大。确定能达到治疗性凝血时间(以国际标准化比值(INR)衡量)的维持华法林剂量对预防并发症至关重要。机器学习算法正日益用于华法林给药；通常先根据临床与基因型因素预测初始剂量，数日后依据既往剂量与当前 INR 进行修订。由于一系列既往剂量与 INR 能更好地捕捉个体华法林反应的变异性，我们假设纵向剂量反应数据将改善维持剂量预测。为验证该假设，我们分析了来自 COAG 华法林给药研究的数据集，其包含临床数据、研究期间的华法林剂量与 INR 测量值，以及达到治疗性 INR 时的维持剂量。我们训练了多种机器学习回归模型，以临床因素、给药史和 INR 数据为特征预测维持华法林剂量。总体而言，含单次剂量与 INR 的剂量修订算法与基线剂量修订算法性能相当。相比之下，含纵向剂量与 INR 数据的剂量修订算法给出的维持剂量预测在统计上显著更接近真实维持剂量。聚焦于性能最佳的梯度提升(GB)模型，理想估计剂量比例(即定义为真实剂量 ±20% 以内)从基线(54.92%)提升至含单次(63.11%)与纵向(75.41%) INR 的 GB 模型。利用纵向剂量反应数据更准确的维持剂量预测有望更快达到治疗性 INR，减少药物相关并发症并改善华法林治疗的患者预后。
引用
@article{arxiv.2105.02625,
title = {Evaluating the Effect of Longitudinal Dose and INR Data on Maintenance Warfarin Dose Predictions},
author = {Anish Karpurapu and Adam Krekorian and Ye Tian and Leslie M. Collins and Ravi Karra and Aaron Franklin and Boyla O. Mainsah},
journal= {arXiv preprint arXiv:2105.02625},
year = {2021}
}