Developing an Intelligent System for Prediction of Optimal Dose of Warfarin in Iranian Adult Patients with Artificial Heart Valve
Notice bibliographique
Résumé
Introduction: Artificial intelligence (AI) research within medicine is growing rapidly. AI is poised to transform medical practice. AI has been studied in several areas of healthcare and medical practice, including diagnosing, treating and caring of patients. Warfarin is one of the most commonly prescribed oral anticoagulant. Among all anticoagulants, warfarin has long been listed among the top ten drugs causing adverse drug events. Due to narrow therapeutic range and significant side effects, warfarin dosage determination becomes a challenging task in clinical practice. The purpose of this study was to determine exact dose of warfarin needed for patients with artificial heart valve using artificial neural networks (ANN).Development: To achieved the best model, some multi-layer perceptron ANNs were constructed with different structures. The dataset used included 846 patients who had been referred to the PT clinic in Tehran heart center in the second six months of the year 2013. Finally, the best structure of ANN for warfarin dose was investigated and used for prediction system developments. In this paper the implementation of ANNs and proposed system in MatLab environment are described.Application: The effectiveness of ANNs were evaluated in terms of classification performance using 10fold cross-validation procedure and the results showed that the best model is a network that has 7 neurons in its hidden layer with an average absolute error of 0.1, disturbance rate of 0.33 and regression of 0.87. Conclusion: The achieved results reveal that ANN-based system is a suitable tool for warfarin dose prediction in Iranian patients with an artificial heartvalve. However, no system can be guaranteed to achieve 100% accuracy, but using such methods can reduce medical errors and thereby improve health care and patient safety.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 tête enseignante, 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 ».