Тип публикации: статья из журнала
Год издания: 2024
Идентификатор DOI: 10.18127/j20700784-202404-05
Ключевые слова: side effect, drug, data mining, interaction, database, algorithm, побочный эффект, лекарство, интеллектуальный анализ данных, взаимодействие, база данных, алгоритм
Аннотация: Постановка проблемы. В последнее время особую актуальность приобрела проблема выявления побочных эффектов при применении сложных сочетаний лекарств - полипрагмазии. С увеличением количества лекарств, доступных на рынке, становится все сложнее выявлять потенциальные лекарственные взаимодействия и побочные эффекты, возникающие при одПоказать полностьюновременном приеме пациентом нескольких препаратов. Это обусловлено значительным объемом биомедицинской информации, что, в свою очередь, является предпосылкой для разработки новых методов, алгоритмов и инструментов интеллектуального анализа фармацевтических данных. Цель. Создать новый метод и нейросетевую модель для упрощенной организации вычислений при одновременном обеспечении обработки больших объемов данных, позволяющем, как следствие, гарантировать повышенную точность предсказаний. Результаты. Разработан новый метод тензорного разложения, позволяющий упростить сложность вычислений за счет использования приоритетной выборки данных без потери критической информации, а также повысить точность прогнозов, за счет предложенного способа формирования входных векторов и организации нейросети. Показано, что значительные результаты можно получить при использовании технологий и алгоритмов машинного обучения. Рассмотрены известные подходы к машинному прогнозированию в фармацевтике. Среди известных выделены методы тензорного разложения, которые, несмотря на максимальную эффективность в сравнении с прочими, обладают значительной сложностью при организации вычислений. Практическая значимость. На основе общепринятых критериев оценки показано повышение производительности, снижение времени вычислений и повышение точности предсказаний для предложенного метода. The challenge of identifying adverse effects resulting from intricate combinations of pharmaceuticals, known as polypragmasia, is the subject of investigation. The utilization of machine learning technologies and algorithms exhibits promising potential for significant advancements in this domain. Various methodologies for machine prediction in pharmaceutical contexts are under scrutiny, with tensor decomposition receiving particular attention due to its heightened efficiency, despite the complexities entailed in computational processes. The primary objective is the formulation of a novel method and neural network model intended to streamline computational procedures while managing substantial datasets, thereby augmenting prediction accuracy. A novel approach to tensor decomposition has been conceived, facilitating calculations through prioritized data sampling without compromising the integrity of critical information. Additionally, an innovative approach to input vector formation and neural network architecture holds the promise of enhancing prediction precision. Empirical validation of the proposed method illustrates its superiority over existing methodologies. Comparative analysis against established techniques reveals notable enhancements in performance metrics, computational efficiency, and prediction accuracy. Standard evaluation criteria corroborate the tangible benefits accruing from the adoption of this innovative methodology. The considered new method and neural network model are, in our opinion, a new approach to predicting side effects of polypragmasy. In contrast to the known approaches that do not provide efficient processing of large amounts of data, the proposed method allows us to reduce processing time by using a simplified neural network model and priority principle of data sampling without loss of critical information. The obtained results of processing available databases show that the proposed method outperforms a number of well-known methods (Deep walk, DEDICOM, RESCAL and Decagon) in terms of AUROC and AUPRC values. It should also be noted that the considered method can be most effective in identifying unique and health-critical side effects of polypragmasy. Comparative analysis between the proposed method and the closest Decagon method, employing various data processing methodologies and algorithms, using metrics such as MCC, ACC, F-measure, recall, precision, and true positive object proportion, demonstrates the superiority of the proposed method across all indicators, except for true positives.
Журнал: Успехи современной радиоэлектроники
Выпуск журнала: Т.78, №4
Номера страниц: 43-51
ISSN журнала: 20700784
Место издания: Москва
Издатель: ООО "Издательское предприятие редакции журнала "Радиотехника"