Dosing of Warfarin in Iranian Adult Patients with An Artificial Heart Valve Using Artificial Neural Networks
Notice bibliographique
Résumé
Background and Aim: Artificial intelligence is a branch of computer science that has the ability of analyzing complex medical data. Using artificial intelligence is common in diagnosing, treating and taking care of patients. Warfarin is one of the most commonly prescribed oral anticoagulants. Determining the exact dose of warfarin needed for patients is one of the major challenges in the health system, which has attracted the attention of researchers. The purpose of this study was to determine the exact dose of warfarin needed for patients with artificial heart valves using artificial neural networks (ANN). Materials and Methods: A total of 9 multi-layer perceptron ANNs with different structures were constructed and evaluated based on a dataset including 846 patients who had referred to the PT clinic in Tehran Heart Center in the second half of the year 2013. Finally, the best structure of ANN for warfarin dose was investigated. All simulations including data preprocessing and neural network designing were done in MATLAB environment. Results: The effectiveness of ANNs was evaluated in terms of classification performance using 10-fold cross-validation procedure and the results showed that the best model was a network that had 7 neurons in its hidden layer with an average absolute error of 0.1, turbulence rate of 0.33, and regression of 0.87. Conclusion: The achieved results reveal that ANNs are able to predict warfarin dose in Iranian patients with an artificial heart valve. Although no system can be guaranteed to achieve 100% accuracy, they can be effective in reducing medical errors.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 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) | 0,001 | 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 ».