Artificial Neural Network Modeling for Drug Dialyzability Prediction
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: The purpose of this study was to develop an artificial neural network (ANN) model to predict drug removal during dialysis based on drug properties and dialysis conditions. Nine antihypertensive drugs were chosen as model for this study. METHODS: Drugs were dissolved in a physiologic buffer and dialysed in vitro in different dialysis conditions (UFRmin/UFRmax, with/without BSA). Samples were taken at regular intervals and frozen at -20ºC until analysis. Extraction methods were developed for drugs that were dialysed with BSA in the buffer. Drug concentrations were quantified by high performance liquid chromatography (HPLC) or mass spectrometry (LC/MS/MS). Dialysis clearances (CLDs) were calculated using the obtained drug concentrations. An ANOVA with Scheffe's pairwise adjustments was performed on the collected data in order to investigate the impact of drug plasma protein binding and ultrafiltration rate (UFR) on CLD. The software Neurosolutions was used to build ANNs that would be able to predict drug CLD (output). The inputs consisted of dialysis UFR and the herein drug properties: molecular weight (MW), logD and plasma protein binding. RESULTS: Observed CLDs were very high for the majority of the drugs studied. The addition of BSA in the physiologic buffer statistically significantly decreased CLD for carvedilol (p= 0.002) and labetalol (p<0.001), but made no significant difference for atenolol (p= 0.100). In contrast, varying UFR does not significantly affect CLD (p>0.025). Multiple ANNs were built and compared, the best model was a Jordan and Elman network which showed learning stability and good predictive results (MSEtesting = 129). CONCLUSION: In this study, we have developed an ANN-model which is able to predict drug removal during dialysis. Since experimental determination of all existing drug CLDs is not realistic, ANNs represent a promising tool for the prediction of drug CLD using drug properties and dialysis conditions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle