سلام من زهرا هستم و این اولین نوشته من توی ویرگول هستم. من درحال حاضر درگیر نوشتن پایان نامه ارشد هستم و چون مقاله خوندن برام سخته به پیشنهاد دوستم تصمیم گرفتم اینجا درباره مقالاتی که میخونم بنویسم که انگیزه بشه برام :))
رشته ام مهندسی صنایع گرایش بهینه سازیه و موضوع پایان نامه ام تو حوزه سلامت و داده کاویه که اگر دقیق تر بخوام بگم درباره داروهاییه که برای بیماران بستری توی بخش قلب بیمارستان معمولا باهم تجویز میشه و تداخلات بین اون داروهاست، از نظر خودم موضوع جذابیه :)
این چند روز مقاله ای خوندم که اسمش Discovering Drug-Drug Interactions Using Association Rule Mining from Electronic Health Records هست.
اینو بگم که من از طریق الگوریتم association rule که یه الگوریتم ماشین لرنینگه میخوام داروهایی که همزمان تجویز میشه پیدا کنم.
اینو بگم که من برای خوندن و دسته بندی مقالات از scispace که یه اکستنشن کرومه استفاده میکنم و کارمو خیلی راحت کرده.
این مقاله بیشتر درباره بستری مجدد بیمار به دلیل عوارض ناشی از تداخلات داروییه . اومده ترکیبات داروها رو براساس عوارضی که دارند به کم خطر یا پر خطر دسته بندی کرده، این مقاله از یه شاخص ارزیابی جدید استفاده کرده که برای توضیح بهتر عوارض جانبی دارویی ناشی از DDI طراحی شده. با استفاده از این رویکرد، محققان توانستند ترکیبات دارویی را که بر اساس عوارض جانبی ناشی از آنها به عنوان پرخطر یا کم طبقه‌بندی می‌شوند، شناسایی کنند.
دیتاستی که استفاده کرده نسخه های تجویز شده و اطلاعات بیمار بستری شده است که تا حدودی شبیه دیتاست منه و یه کاری که کرده اینه که به جای استفاده از اسم داروها از کد ژنریکشون استفاده کرده.
برای تعیین اینکه آیا ترکیب دارویی دارای عوارض جانبیه یا نه، میزان بستری مجدد بیمارانی که هر دو دارو را مصرف می کنند با نرخ بستری مجدد بیمارانی که هر دو دارو را به تنهایی مصرف می کنند مقایسه می شه. اگر نرخ پذیرش مجدد برای ترکیب بیشتر باشه، ADE یا همون عارضه جانبی در نظر گرفته می شه.
برای association rule دوتا شاخص support و Confidence داریم که sup فراوانی ترکیبات و conf قدرت یا strength هستند.
یه چیز جالبی که این مقاله بهش اشاره کرده اینه اگه یه دارو زیاد تکرار شده باشه در ترکیب دارو ممکنه interest بودن معیار conf رو اشتباه تفسیر کنه.
همچنین میگه که شاخص conf نامتقارنه (asymmetric) که این رو راستش خیلی نفهمیدم منظورش چیه :))
برای نتیجه گیری بهتر از این دوتا معیار Lift و Conviction استفاده کردند.
فکر میکنم از lift توسعه یافته به اسم harmonic mean of lift استفاده کرده ولی این رو هم نمیدونم چقدر درسته :)))
هدف از شناسایی تداخلات دارویی پرخطر، ثبت موارد بستری مجدد بیش از حد ناشی از ADEها است.
تداخلات دارویی که هنوز در گروه پرخطر شناخته نشده اند، اما دارایhigh association rule scores هستند، به عنوان کاندیدهای بالقوه برای مطالعه بیشتر و مطالعات بعدی شناسایی میشن.
از پایگاه داده DrugBank و وب سایت Drugs.com برای بررسی وجود DDI های بالینی اثبات شده در هر دو گروه کم خطر و پرخطر استفاده شده.
میانگین هارمونیک جدید متریک لیفت در شناسایی DDI های بالقوه ای که هنوز مطالعه نشده اند مؤثرتر بود.
خب اینا مواردی بود که من از این مقاله متوجه شدم و خواستم که با شما هم درمیون بذارم :)
