期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
基于机器学习的他克莫司剂量/体质量调整谷浓度个体化预测模型
1
作者 蒋卉 唐亮 +4 位作者 汪鑫 姜凡 王德光 蓝晓锋 解翔 《安徽医科大学学报》 北大核心 2025年第2期344-350,共7页
目的利用机器学习(ML)算法建立他克莫司剂量/体质量调整谷浓度(TAC C0/D)预测模型。方法收集来自72例接受同种异体肾脏移植手术患者的264份TAC血药浓度监测数据。分析人口统计学资料、临床特征、联合用药及超声特征参数对TAC C0/D的影... 目的利用机器学习(ML)算法建立他克莫司剂量/体质量调整谷浓度(TAC C0/D)预测模型。方法收集来自72例接受同种异体肾脏移植手术患者的264份TAC血药浓度监测数据。分析人口统计学资料、临床特征、联合用药及超声特征参数对TAC C0/D的影响。选择在TAC C0/D的单因素分析中P<0.05的特征纳入随机森林(RF)算法进行重要性分析,筛选重要特征,并利用偏依赖图对重要特征进行解释。使用RF、支持向量回归(SVR)、极端梯度提升(XGBoost)、决策树(DT)和人工神经网络(ANN)5种ML算法建立TAC C0/D预测模型,并对性能最佳的RF模型进行超参数调优。结果保留了重要性评分>5的10个特征变量并纳入ML模型,分别是:谷氨酰胺转氨酶、红细胞计数、尿素氮、体质量、血肌酐、肾段动脉阻力指数、肾主动脉阻力指数、血细胞比容、肾盂杨氏模量值和移植术后时间。偏依赖图显示筛选出的10个重要变量均与TAC C0/D呈正相关。调优后的RF模型性能优于其他模型,其R 2为0.81,RMSE为43.93,MAE为29.97。结论ML模型预测TAC C0/D的表现良好,创新性地利用偏依赖图对特征进行了解释。调优后的RF模型性能最佳,为肾移植患者TAC个体化调整用药提供了新的手段。 展开更多
关键词 异体肾脏移植 他克莫司 多普勒超声 偏依赖图 机器学习 个体化药物治疗
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部