Application of Counter-propagation Artificial Neural Networks in Prediction of Topiramate Concentration in Patients with Epilepsy
Notice bibliographique
Résumé
PURPOSE: The application of artificial neural networks in the pharmaceutical sciences is broad, ranging from drug discovery to clinical pharmacy. In this study, we explored the applicability of counter-propagation artificial neural networks (CPANNs), combined with genetic algorithm (GA) for prediction of topiramate (TPM) serum levels based on identified factors important for its prediction. METHODS: The study was performed on 118 TPM measurements obtained from 78 adult epileptic patients. Patients were on stable TPM dosing regimen for at least 7 days; therefore, steady-state was assumed. TPM serum concentration was determined by high performance liquid chromatography with fluorescence detection. The influence of demographic, biochemical parameters and therapy characteristics of the patients on TPM levels were tested. Data analysis was performed by CPANNs. GA was used for optimal CPANN parameters, variable selection and adjustment of relative importance. RESULTS: Data for training included 88 measured TPM concentrations, while remaining were used for validation. Among all factors tested, TPM dose, renal function (eGFR) and carbamazepine dose significantly influenced TPM level and their relative importance were 0.7500, 0.2813, 0.0625, respectively. Relative error and root mean squared relative error (%) and their corresponding 95% confidence intervals for training set were 2.14 [(-2.41) - 6.70] and 21.5 [18.5 - 24.1]; and for test set were -6.21 [(-21.2) - 8.77] and 39.9 [31.7 - 46.7], respectively. CONCLUSIONS: Statistical parameters showed acceptable predictive performance. Results indicate the feasibility of CPANNs combined with GA to predict TPM concentrations and to adjust relative importance of identified variability factors in population of adult epileptic patients.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».