Resumen

La digoxina es un medicamento de máxima alerta debido a su estrecho margen terapéutico y a sus elevadas interacciones medicamentosas (ICD). Aproximadamente el 50% de los casos de toxicidad por digoxina son evitables, lo que nos motivó a mejorar los resultados del tratamiento de la digoxina. El objetivo de este estudio es aplicar técnicas de aprendizaje automático para predecir la idoneidad de la dosis inicial de digoxina. Un total de 307 pacientes hospitalizados que tenían sus condiciones tratadas con digoxina entre 2004 y 2013 en un centro médico en Taiwán fueron recogidos en el estudio. También se anotaron diez variables independientes, incluyendo información demográfica, datos de laboratorio y si los pacientes tenían ICC. Se definió que un paciente con una concentración sérica de digoxina controlada entre 0,5 y 0,9 ng/mL después de su dosis inicial de digoxina tenía un uso adecuado de digoxina; de lo contrario, se definió que un paciente tenía un uso inadecuado de digoxina. Para desarrollar los modelos de predicción se utilizó Weka 3.7.3, un software de aprendizaje automático de código abierto. Se consideraron seis técnicas de aprendizaje automático: árbol de decisión (C4.5), k-nearest neighbors (kNN), árbol de clasificación y regresión (CART), randomForest (RF), perceptrón multicapa (MLP) y regresión logística (LGR). En el grupo sin DDI, el área bajo la curva ROC (AUC) de RF (0,912) fue excelente, seguida de la de MLP (0,813), CART (0,791) y C4,5 (0,784); el rendimiento de los demás clasificadores fue deficiente. Para el grupo DDI, el AUC de RF (0,892) fue el mejor, seguido de CART (0,795), MLP (0,777) y C4.5 (0,774); el rendimiento de los demás clasificadores fue inferior al ideal. Los enfoques basados en árboles de decisión y MLP mostraron un rendimiento de precisión notablemente superior, independientemente del estado de DDI. Aunque la digoxina es un medicamento de alta alerta, su dosis inicial puede determinarse con precisión utilizando técnicas de minería de datos como los enfoques basados en árboles de decisión y MLP. El desarrollo de un sistema de apoyo a la decisión de dosificación puede servir como herramienta complementaria para los clínicos y también aumentar la seguridad de los medicamentos en la práctica clínica.

• Materias:Señales orofaciales Clasificación del cáncer Terapia de exposición Resonancias magnéticas Medicina de precisión
• Subjects:Orofacial signals Cancer classification Exposure therapy Magnetic resonance imaging Precision medicine
• Palabras claves:MLP, digoxina, dosis inicial de digoxina, árbol de decisión, C4.5, CART, RF, grupo DDI, medicación de alerta, sistema de apoyo a la decisión sobre dosis
• Keywords:MLP, digoxin, initial digoxin dosage, decision tree, C4.5, CART, RF, DDI group, alert medication, dosage decision support system