Machine Learning for Identifying Medication-Associated Acute Kidney Injury
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
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.
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 | 0,000 | 0,005 |
| 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 | 0,001 |
| 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 découle