A precision health approach to medication management in neurodevelopmental conditions: a model development and validation study using four international cohorts
Notice bibliographique
Résumé
Abstract Psychotropic medications are commonly prescribed to children with neurodevelopmental conditions, but responses vary widely, prescribing is largely off-label, and the expertise required is concentrated in specialized programs. We developed artificial intelligence models to predict prescribing patterns of stimulants, anti-depressants, and anti-psychotics. Feasibility was established in research cohorts by predicting cross-sectional medication use from the Child Behaviour Checklist, with training and internal testing in the Province of Ontario Neurodevelopmental network ( N =598) and external testing in the Healthy Brain Network ( N =1,764) and Adolescent Brain Cognitive Development ( N =2,396) studies. Clinical evaluation used electronic medical records (EMRs) from the Psychopharmacology Program ( N =312) at Holland Bloorview Kids Rehabilitation Hospital to predict the medication class prescribed at a follow-up visit (∼3 months later). In all cohorts, the modelled outcome was the clinician’s prescribing decision, which reflects clinician judgement, family preference, tolerability, and access to care in addition to expected effectiveness, and does not directly measure treatment response or clinical benefit. In the research cohorts, internal testing achieved an area under the receiver operating characteristic curve (median [IQR]) of 0.75 [0.73,0.80] for stimulants, 0.83 [0.78,0.87] for anti-depressants, and 0.79 [0.72,0.86] for anti-psychotics, and external testing confirmed generalizability. In the EMR cohort, values were 0.84 [0.81,0.88] for stimulants, 0.82 [0.77,0.87] for anti-depressants, and 0.87 [0.83,0.91] for anti-psychotics. Findings demonstrate that AI can accurately learn expert prescribing patterns and predict medication prescribing decisions, supporting the potential of data-driven tools to guide personalized medication management for neurodevelopmental conditions.
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 | 0,041 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».