Comparison of causal forest and regression-based approaches to evaluate treatment effect heterogeneity: an application for type 2 diabetes precision medicine.
比較因果森林和基於迴歸的方法來評估治療效果異質性：以第2型糖尿病精準醫學為應用。 BMC Med Inform Decis Mak 2024-03-13

研究目的是評估針對2型糖尿病患者不同初始治療的個人化治療選擇策略。使用機器學習和迴歸模型預測治療效果，並在臨床試驗和真實患者數據上驗證。結果顯示迴歸模型表現較佳，建議研究人員不僅依賴機器學習算法，也應該考慮標準迴歸方法。 PubMed DOI

Data-driven subgroups of newly diagnosed type 2 diabetes and the relationship with cardiovascular diseases at genetic and clinical levels in Chinese adults.
新診斷的2型糖尿病患者的數據驅動亞組及其在中國成年人中與心血管疾病的遺傳和臨床水平之關係。 Diabetes Metab Syndr 2023-10-16

研究使用K-means分析將新診斷的中國2型糖尿病患者分成不同亞組，探討其遺傳特徵和心血管風險。結果顯示四個集群代表不同糖尿病亞組，並發現亞組間遺傳和心血管風險有顯著差異。研究指出，個別化醫療或許可根據臨床和遺傳資訊，針對不同糖尿病亞組的心血管風險提供更有效的治療。 PubMed DOI

Harnessing Code Interpreters for Enhanced Predictive Modeling: A Case Study on High-Density Lipoprotein Level Estimation in Romanian Diabetic Patients.
利用程式解譯器增強預測模型：羅馬尼亞糖尿病患者高密度脂蛋白水平估計的案例研究。 J Pers Med 2023-10-29

研究分析羅馬尼亞糖尿病患者間的參數關係，專注於血脂異常與心血管風險。使用Code Interpreter插件建立隨機森林模型，預測HDL水平等因素，並確認TG、LDL和HbA1c為關鍵因子。這研究顯示此分析方法對資源有限的研究人員有幫助，提供洞察，可助糖尿病管理和治療策略。 PubMed DOI

Iterative Causal Forest: A Novel Algorithm for Subgroup Identification.
迭代因果森林：一種用於次群體識別的新型演算法。 Am J Epidemiol 2024-05-07

研究介紹了一種新的演算法叫做迭代因果森林（iCF），可以有效找出在實際研究中有不同治療效果的次群組。透過不斷擴展重要效果修飾因子的因果森林，並選擇最佳次群組，iCF在模擬中表現比其他機器學習方法更好。在醫療保險資料上應用iCF成功地找出心臟衰竭患者中一個更適合特定治療的次群組，顯示了iCF在實證數據分析上的潛力。 PubMed DOI

An explainable machine learning-based phenomapping strategy for adaptive predictive enrichment in randomized clinical trials.
一種可解釋的基於機器學習的現象分類策略，用於隨機臨床試驗中的自適應預測豐富化。 NPJ Digit Med 2024-03-12

機器學習被用來在兩個心血管結果試驗中創建動態表現，以預測個別化的心血管益處。通過根據預測的益處招募潛在受試者，這種提議的方法可以減少試驗規模，同時保持治療效果。這種適應性框架有潛力優化隨機臨床試驗的招募效率。 PubMed DOI

Cohort profile: a large EHR-based cohort with linked pharmacy refill and neighbourhood social determinants of health data to assess heart failure medication adherence.
一個具有鏈接藥房補充和社區社會健康決定因素數據的大型電子健康記錄(EHR)基礎群體的檔案。 BMJ Open 2024-01-24

在診所或社區提供幫助，讓心臟衰竭患者更容易遵循藥物指引。機器學習可辨識出藥物不依從性風險高的患者。一項新研究利用電子健康記錄改進心臟衰竭患者藥物依從性的預測模型。研究對象為紐約市某醫療系統中心臟衰竭患者，並將數據用於開發機器學習模型，以預測依從性並支持進一步研究。 PubMed DOI

A Methodological Framework for Meta-analysis and Clinical Interpretation of Subgroup Data: The Case of Major Adverse Cardiovascular Events With GLP-1 Receptor Agonists and SGLT2 Inhibitors in Type 2 Diabetes.
GLP-1受體激動劑和SGLT2抑製劑在2型糖尿病中對主要不良心血管事件的次組資料的Meta分析和臨床解讀方法論架構。 Diabetes Care 2024-02-08

研究提出了一個框架，專注於GLP-1受體激動劑和SGLT2抑制劑在2型糖尿病心血管結果試驗中的應用。研究發現兩個亞群體的效果一致，並計算了每種藥物在不同患者群體中的5年治療效果。這個框架可用於各種亞組群荟萃分析。 PubMed DOI

Clarifying the causal contrast: An empirical example applying the prevalent new user study design.
澄清因果對比：應用常見新用戶研究設計的實證例子。 Pharmacoepidemiol Drug Saf 2024-04-08

研究發現，GLP-1 RA對新用戶有保護作用，但對轉換者無效。合併兩組顯示保護效果，但主要受新用戶影響。不同統計方法結果一致。僅分析新用戶顯示GLP-1 RA保護效果，轉換者則無。結合不同治療史的病患可能導致混淆控制不當，掩蓋重要差異。 PubMed DOI

Predictive Modeling of Factors Influencing Adherence to SGLT-2 Inhibitors in Ambulatory Care: Insights from Prescription Claims Data Analysis.
門診照護中影響對SGLT-2抑制劑依從性的預測模型：處方索賠數據分析洞察。 Pharmacy (Basel) 2024-04-29

SGLT2抑制劑對於2型糖尿病、心臟衰竭和慢性腎臟疾病患者效果顯著。加州大學聖地牙哥分校醫療中心研究使用電子處方數據預測藥物依從性。最佳模型為決策樹，考慮HbA1c、年齡、性別和保險。依從性隨HbA1c降低和支付金額增加而提高。不遵醫囑者HbA1c高、eGFR低。預測模型可幫助個別化治療。 PubMed DOI

A Principled Approach to Characterize and Analyze Partially Observed Confounder Data from Electronic Health Records.
從電子健康記錄中特徵化和分析部分觀察到的混雜資料的原則方法。 Clin Epidemiol 2024-05-27

這項研究專注於解決分析部分觀察到的混雜資料的電子健康記錄所面臨的挑戰。他們模擬了糖尿病患者開始使用特定藥物時的缺失資料過程，並評估了不同處理缺失資料的方法。他們發現，有原則的診斷可以幫助識別缺失機制，使用隨機森林演算法進行多重插補顯示出減少偏差的潛力。 PubMed DOI

原始文章

站上相關主題文章列表