توسعه مدل فارماکوژنومیکس مبتنی بر رگرسیون بردار پشتیبان با رویکرد انتخاب ویژگی های بهینه جهت تعیین دوز اولیه درمانی داروی ضد انعقادی وارفارین

فارماکوژنومیکس و استفاده از ابزارهای هوش مصنوعی در آن یکی از جدیدترین زمینه های تحقیقاتی بیوانفورماتیک است. یکی از داروهای بسیار مهم که تعیین دوز اولیه درمانی آن کار مشکلی است، داروی ضدانعقادی وارفارین می باشد. وارفارین یک داروی ضد انعقاد خوراکی است که انتخاب دوز بهینه آن به دلیل پنجره درمانی باریک و روابط پیچیده فاکتورهای فردی، چالش برانگیز است. هدف این پژوهش تعیین دوز اولیه بهینه می باشد.

در میان روش های مبتنی بر کرنل، مقایسه و شناسایی کرنل مناسب مورد بحث قرار نگرفته است. در این پژوهش ضمن بررسی دقیق این رویکرد، الگوریتم های مختلف انتخاب ویژگی را مورد آنالیز قرار داده و با تکیه به نظر خبرگان، زیرمجموعه مناسب از متغیرهای پیش بین موثر جهت تخمین دوز شناسایی خواهد شد.

در این مطالعه از مجموعه داده ای جمع آوری شده توسط کنسرسیوم بین المللی وارفارین استفاده شده است. نتایج نشان می دهد که ماشین بردار پشتیبان با کرنل مناسب و زیرمجموعه ویژگی های پیشنهادی قادر است به طور موفقیت آمیزی دوز ایده آل وارفارین را برای درصد قابل توجهی از بیماران با خطایی حدود 0/7 میلی گرم در هفته پیش بینی کند.

تخمین با نسخه حداقل مربعات رگرسیون بردار پشتیبان مبتنی بر کرنل مناسب و با یک استراتژی مناسب انتخاب ویژگی صورت گرفت. در این روش، رویکرد بهتری برای پیش بینی دوز بهینه درمانی وارفارین ارایه شده است که قادر است خطای دوزهای اشتباه و عواقب ناشی از آن را به طور قابل ملاحظه ای کاهش دهد.