دانلود مقاله و خرید ترجمه:شناسایی تعاملات داروها با یکدیگر با استفاده از داده کاوی مطالعه ی آزمایشی تاثیرات دارویی وابسته به وارفارین - 2016
دانلود بهترین مقالات isi همراه با ترجمه فارسی
مقالات ترجمه شده داده کاوی ( data mining )
  • Identifying Drug–Drug Interactions by Data Mining A Pilot Study of Warfarin-Associated Drug Interactions شناسایی تعاملات داروها با یکدیگر با استفاده از داده کاوی مطالعه ی آزمایشی تاثیرات دارویی وابسته به وارفارین

    سال انتشار:

    2016


    ترجمه فارسی عنوان مقاله:

    شناسایی تعاملات داروها با یکدیگر با استفاده از داده کاوی مطالعه ی آزمایشی تاثیرات دارویی وابسته به وارفارین


    عنوان انگلیسی مقاله:

    Identifying Drug–Drug Interactions by Data Mining A Pilot Study of Warfarin-Associated Drug Interactions


    منبع:

    Circ Cardiovasc Qual Outcomes: 2016 Nov;9(6):621-628


    نویسنده:

    Peter Wæde Hansen, MD, MSc; Line Clemmensen, MSc, PhD; Thomas S:G: Sehested, MD; Emil Loldrup Fosbøl, MD, PhD; Christian Torp-Pedersen, MD, DSc; Lars Køber, MD, DSc; Gunnar H: Gislason, MD, PhD; Charlotte Andersson, MD, PhD


    چکیده انگلیسی:

    Background—Knowledge about drug–drug interactions commonly arises from preclinical trials, from adverse drug reports, or based on knowledge of mechanisms of action. Our aim was to investigate whether drug–drug interactions were discoverable without prior hypotheses using data mining. We focused on warfarin–drug interactions as the prototype.
    Methods and Results—We analyzed altered prothrombin time (measured as international normalized ratio [INR]) after initiation of a novel prescription in previously INR-stable warfarin-treated patients with nonvalvular atrial fbrillation. Data sets were retrieved from clinical work. Random forest (a machine-learning method) was set up to predict altered INR levels after novel prescriptions. The most important drug groups from the analysis were further investigated using logistic regression in a new data set. Two hundred and twenty drug groups were analyzed in 61 190 novel prescriptions. We rediscovered 2 drug groups having known interactions (β-lactamase-resistant penicillins [dicloxacillin] and carboxamide derivatives) and 3 antithrombotic/anticoagulant agents (platelet aggregation inhibitors excluding heparin, direct thrombin inhibitors [dabigatran etexilate], and heparins) causing decreasing INR. Six drug groups with known interactions were rediscovered causing increasing INR (antiarrhythmics class III [amiodarone], other opioids [tramadol], glucocorticoids, triazole derivatives, and combinations of penicillins, including β-lactamase inhibitors) and two had a known interaction in a closely related drug group (oripavine derivatives [buprenorphine] and natural opium alkaloids). Antipropulsives had an unknown signal of increasing INR.
    Conclusions—We were able to identify known warfarin–drug interactions without a prior hypothesis using clinical registries. Additionally, we discovered a few potentially novel interactions. This opens up for the use of data mining to discover unknown drug–drug interactions in cardiovascular medicine.
    Key Words: big data | data mining | drug interactions | machine learning | registry | warfarin


    چکیده فارسی:

    پیشینه : دانش درباره ی تعاملات داروها با یکدیگر معمولا" از آزمایشات پیش از موعد و گزارشات دارویی مغایر یا براساس دانش مکانیزم اثر ناشی می شود. هدف ما این بود که بررسی کنیم که آیا تعاملات داروها با یکدیگر، بدون فرضیه های قبلی با استفاده از داده کاوی قابل کشف هستند. ما بر تعاملات دارویی وارفارین به عنوان نمونه اولیه تمرکز کردیم.
    روش ها و نتایج : ما زمان پروترومبین تغییر یافته را (اندازه گیری شده به عنوان نسبت نرمال شده ی بین المللی (INR)) بعد از آغاز یک تجویز جدید در بیماران درمان شده با وارفارین پایدار با INR با فیبریلاسیون دهلیزی غیردریچه ای مورد مطالعه قرار دادیم. مجموعه ی داده ها از کار بالینی گرفته شد. برای پیش بینی سطوح INR تغییر یافته پس از نسخه های جدید، جنگل تصادفی (یک روش یادگیری ماشین ) به کار گرفته شد. مهم ترین گروه های دارویی از آنالیز، بیشتر با استفاده از رگرسیون لجستیک در یک مجموعه جدید داده مورد بررسی قرار گرفت. دویست و بیست گروه دارویی در 61190 تجویز جدید مورد مطالعه قرار گرفت. ما 2 گروه دارویی با تاثیرات شناخته شده (پنی سیلین مقاوم به بتالاکتاماز (دیکلوگزاسیلین) و مشتقات کربوکسامید) و 3 عامل آنتی ترومبوتیک/آنتی کواگولانت را (بازدارنده های تجمع پلاکت به استثنای هپارین، مهارکننده های مستقیم ترومبین (اتوکسیلیت دابیگاتران) و هپارین) که باعث کاهش INR شدند دوباره کشف کردیم. شش گروه دارویی با تاثیرات شناخته شده کشف شدند که موجب افزایش INR شدند (داروهای آنتی آریتمی نوع III ]آمیودارون[، سایر مواد مخدر ]ترامادول[، گلوکوکورتیکوئیدها، مشتقات تریازول و ترکیبات پنی سیلین ها شامل مهارکننده های بتالاکتاماز) و دو گروه تاثیر شناخته شده ای در یک گروه دارویی بسیار مرتبط داشتند (مشتقات اوریپاوین ]بوپرنورفین[ و آلکالوئیدهای طبیعی تریاک). آنتی پروپولسیوها یک سیگنال ناشناخته ای از افزایش INR داشتند.
    نتیجه : ما توانستیم تعاملات شناخته شده ی دارویی وارفارین را بدون فرضیه قبلی با استفاده از لیست های بالینی شناسایی کنیم. به علاوه چند تاثیر بالقوه جدید را کشف کردیم. این برای استفاده از داده کاوی به منظورکشف تعاملات ناشناخته داروها بر یکدیگر در پزشکی قلب و عروق روشنگر است. (Circ Cardiovasc Qual Outcomes. 2016;9:621 628. DOI: 10.1161/CIRCOUTCOMES.116.003055)
    کلمات کلیدی : کلان داده | داده کاوی | تاثیرات دارویی | یادگیری ماشین، لیست | وارفارین | داده های بزرگ


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 9
    تعداد صفحات فایل doc فارسی(با احتساب مراجع): 26

    وضعیت ترجمه عناوین تصاویر و جداول: به صورت کامل ترجمه شده است

    وضعیت ترجمه متون داخل تصاویر و جداول: به صورت کامل ترجمه شده است

    حجم فایل: 177 کیلوبایت


    قیمت: 27000 تومان  21600 تومان(20% تخفیف)


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی