中文

患者特异性治疗效果模型解释结核病异质性

机器学习 2024-11-19 v1 机器学习

摘要

结核病(TB)是一项重大的全球健康挑战,并因HIV、糖尿病和贫血等合并症而复杂化,这些合并症使治疗结果复杂化,并导致患者反应的异质性。传统的结核病模型通常通过关注广泛的、预定义的患者群体来忽视这种异质性,从而错过了个体患者背景的细微影响。我们提出通过使用情境化建模来超越粗略的亚组分析,这是一种多任务学习方法,将患者情境编码到个性化的治疗效果模型中,揭示患者特异性的治疗益处。将该模型应用于包含超过3000名结核病患者多模态测量数据的TB Portals数据集,我们的模型揭示了合并症、治疗和患者结果之间的结构化相互作用,识别出贫血、发病年龄和HIV对治疗效果有影响。通过提高异质性人群的预测准确性并提供患者特异性见解,情境化模型有望为个性化治疗开辟新途径。

关键词

引用

@article{arxiv.2411.10645,
  title  = {Patient-Specific Models of Treatment Effects Explain Heterogeneity in Tuberculosis},
  author = {Ethan Wu and Caleb Ellington and Ben Lengerich and Eric P. Xing},
  journal= {arXiv preprint arXiv:2411.10645},
  year   = {2024}
}

备注

Findings paper presented at Machine Learning for Health (ML4H) symposium 2024, December 15-16, 2024, Vancouver, Canada, 4 pages