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

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل شناسایی تعاملات داروها با یکدیگر با استفاده از داده کاوی مطالعه ی آزمایشی تاثیرات دارویی وابسته به وارفارین،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۹ صفحه

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 ۶۱۱۹۰ تجویز جدید مورد مطالعه قرار گرفت. ما ۲ گروه دارویی با تاثیرات شناخته شده (پنی سیلین مقاوم به بتالاکتاماز (دیکلوگزاسیلین) و مشتقات کربوکسامید) و ۳ 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

عنوان انگلیسی:

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

~~en~~ writers :

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

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 (-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 -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

$$en!!