Machine Learning for Prediction of Stable Warfarin Dose in US Latinos and Latin Americans

Título traducido de la contribución: Aprendizaje automático para la predicción de dosis estables de warfarina en latinos estadounidenses y latinoamericanos

Heidi E. Steiner, Jason B. Giles, Hayley Knight Patterson, Jianglin Feng, Nihal El Rouby, Karla Claudio, Leiliane Rodrigues Marcatto, Leticia Camargo Tavares, Jubby Marcela Galvez, Carlos Alberto Calderon-Ospina, Xiaoxiao Sun, Mara H. Hutz, Stuart A. Scott, Larisa H. Cavallari, Dora Janeth Fonseca-Mendoza, Jorge Duconge, Mariana Rodrigues Botton, Paulo Caleb Junior Lima Santos, Jason H. Karnes

Producción científica: Contribución a una revistaArtículorevisión exhaustiva

9 Citas (Scopus)
11 Descargas (Pure)

Resumen

Las poblaciones utilizadas para crear algoritmos de predicción de dosis de warfarina carecían en gran medida de participantes que reportaran etnia hispana o latina. Si bien la investigación anterior sugiere que el modelado no lineal mejora la predicción de la dosis de warfarina, esta investigación se ha centrado principalmente en poblaciones con ascendencia principalmente europea. Comparamos la precisión de la predicción estable de la dosis de warfarina utilizando modelos de aprendizaje automático lineales y no lineales en una gran cohorte enriquecida para latinos estadounidenses y latinoamericanos (ULLA). Cada modelo se probó usando las mismas variables publicadas por el Consorcio Internacional de Farmacogenética de Warfarina (IWPC) y usando un conjunto ampliado de variables que incluyen el origen étnico y la indicación de warfarina. Utilizamos un modelo de regresión lineal múltiple y tres modelos de regresión no lineal: árboles de regresión aditivos bayesianos, splines de regresión adaptativa multivariante y regresión de vectores de soporte. Comparamos la capacidad de cada modelo para predecir la dosis estable de warfarina dentro del 20 % de la dosis estable real, confirmando los modelos entrenados en un conjunto de datos de prueba del 30 % con 100 rondas de remuestreo. En todos los pacientes (n = 7030), la inclusión de variables predictoras adicionales condujo a una mejora pequeña pero significativa en la predicción de la dosis en relación con el algoritmo del IWPC (47,8 frente a 46,7 % en IWPC, p = 1,43 × 10-15). Los modelos no lineales que utilizan variables IWPC no mejoraron significativamente la predicción de la dosis con respecto al algoritmo lineal IWPC. En pacientes ULLA solos (n = 1734), el IWPC se desempeñó de manera similar a todos los demás algoritmos farmacogenéticos lineales y no lineales. Nuestros resultados refuerzan la validez del IWPC en una población grande y étnicamente diversa y sugieren que las variables adicionales que capturan la variabilidad de la dosis de warfarina pueden mejorar los algoritmos de predicción de dosis de warfarina.
Título traducido de la contribuciónAprendizaje automático para la predicción de dosis estables de warfarina en latinos estadounidenses y latinoamericanos
Idioma originalInglés estadounidense
Número de artículo749786
PublicaciónFrontiers in Pharmacology
Volumen12
DOI
EstadoPublicada - oct. 29 2021

Áreas temáticas de ASJC Scopus

  • Farmacología
  • Farmacología (médica)

Huella

Profundice en los temas de investigación de 'Aprendizaje automático para la predicción de dosis estables de warfarina en latinos estadounidenses y latinoamericanos'. En conjunto forman una huella única.

Citar esto