Machine Learning for Identifying Medication-Associated Acute Kidney Injury
Notice bibliographique
Résumé
One of the prominent problems in clinical medicine is medication-induced acute kidney injury (AKI). Avoiding this problem can prevent patient harm and reduce healthcare expenditures. Several researches have been conducted to identify AKI-associated medications using statistical, data mining, and machine learning techniques. However, these studies are limited to assessing the impact of known nephrotoxic medications and do not comprehensively explore the relationship between medication combinations and AKI. In this paper, we present a population-based retrospective cohort study that employs automated data analysis techniques to identify medications and medication combinations that are associated with a higher risk of AKI. By integrating multivariable logistic regression, frequent itemset mining, and stratified analysis, this study is designed to explore the complex relationships between medications and AKI in such a way that has never been attempted before. Through an analysis of prescription records of one million older patients stored in the healthcare administrative dataset at ICES (an independent, non-profit, world-leading research organization that uses population-based health and social data to produce knowledge on a broad range of healthcare issues), we identified 55 AKI-associated medications among 595 distinct medications and 78 AKI-associated medication combinations among 7748 frequent medication combinations. In addition, through a stratified analysis, we identified 37 cases where a particular medication was associated with increasing the risk of AKI when used with another medication. We have shown that our results are consistent with previous studies through consultation with a nephrologist and an electronic literature search. This research demonstrates how automated analysis techniques can be used to accomplish data-driven tasks using massive clinical datasets.
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 | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».