Predicting clozapine-induced adverse drug reaction biomarkers using machine learning
Notice bibliographique
Résumé
Clozapine is an atypical antipsychotic used for patients with treatment-resistant schizophrenia. This drug has serious adverse drug reactions (ADRs), including the risk of severe neutropenia (agranulocytosis). Patients who could benefit from clozapine may not be administered it due to concerns about monitoring ADRs. In addition, traditional toxicological assessments cannot predict clozapine-induced agranulocytosis. Predicting agranulocytosis could improve patient safety. Our study aimed to develop and validate machine learning (ML) models for predicting agranulocytosis in clozapine-prescribed patients using the Canada Vigilance Adverse Reaction Online Database (n = 9395 reports). We addressed the class imbalance (337 agranulocytosis-positive cases vs. 9058 agranulocytosis-negative cases) through systematically evaluating resampling techniques and selecting appropriate performance metrics for rare event prediction. Five ML algorithms were evaluated on a hold-out test set. The best-performing model was the Gradient Boosting with Synthetic Minority Over-sampling technique (GB-SMOTE), achieving recall (sensitivity) of 0.85, AUC-PR (area under the precision-recall (PR) curve) of 0.77, PPV (Positive Predictive Value) of 0.40 and a Matthews Correlation Coefficient of 0.56. SHAP feature analysis identified blood and lymphatic system disorders, leukocytosis, and neutropenia as the strongest predictors. Our results demonstrate the potential of ML for predicting clozapine-induced agranulocytosis and provide a framework for developing pharmacovigilance prediction models. This is clinically important and relevant to the management of schizophrenia, which remains a chronic disease with high morbidity and mortality.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».