A decision support system based on recurrent neural networks to predict medication dosage for patients with Parkinson's disease
Notice bibliographique
Résumé
Using deep learning has demonstrated significant potential in making informed decisions based on clinical evidence. In this study, we deal with optimizing medication and quantitatively present the role of deep learning in predicting the medication dosage for patients with Parkinson's disease (PD). The proposed method is based on recurrent neural networks (RNNs) and tries to predict the dosage of five critical medication types for PD, including levodopa, dopamine agonists, monoamine oxidase-B inhibitors, catechol-O-methyltransferase inhibitors, and amantadine. Recurrent neural networks have memory blocks that retain crucial information from previous patient visits. This feature is helpful for patients with PD, as the neurologist can refer to the patient's previous state and the prescribed medication to make informed decisions. We employed data from the Parkinson's Progression Markers Initiative. The dataset included information on the Unified Parkinson's Disease Rating Scale, Activities of Daily Living, Hoehn and Yahr scale, demographic details, and medication use logs for each patient. We evaluated several models, such as multi-layer perceptron (MLP), Simple-RNN, long short-term memory (LSTM), and gated recurrent units (GRU). Our analysis found that recurrent neural networks (LSTM and GRU) performed the best. More specifically, when using LSTM, we were able to predict levodopa and dopamine agonist dosage with a mean squared error of 0.009 and 0.003, mean absolute error of 0.062 and 0.030, root mean square error of 0.099 and 0.053, and R-squared of 0.514 and 0.711, respectively.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».