Ítem
Acceso Abierto
Machine Learning for Prediction of Stable Warfarin Dose in US Latinos and Latin Americans
Título de la revista
Autores
Steiner, Heidi E.
Giles, Jason B.
Knight Patterson, Hayley
Feng, Jianglin
El Rouby, Nihal
Claudio, Karla
Rodrigues Marcatto, Leiliane
Camargo Tavares, Leticia
Marcela Galvez, Jubby
Calderon-Ospina, Carlos-Alberto
Fecha
2021-07-29
Directores
ISSN de la revista
Título del volumen
Editor
Buscar en:
Métricas alternativas
Resumen
Las poblaciones utilizadas para crear algoritmos de predicción de dosis de warfarina han carecido en gran medida de participantes que se identifiquen como hispanos o latinos. Aunque investigaciones previas sugieren que los modelos no lineales mejoran la predicción de dosis, estos estudios se han centrado principalmente en poblaciones de ascendencia europea. Este estudio comparó la precisión de la predicción de la dosis estable de warfarina utilizando modelos lineales y no lineales de aprendizaje automático en una amplia cohorte enriquecida con pacientes latinoamericanos y latinos en EE. UU. (ULLA). Se evaluaron los modelos usando las mismas variables del Consorcio Internacional de Farmacogenética de la Warfarina (IWPC) y un conjunto ampliado de variables que incluía etnicidad e indicación de warfarina. Se aplicaron modelos de regresión lineal múltiple y tres modelos de regresión no lineal: Árboles Aditivos de Regresión Bayesiana (BART), Splines de Regresión Adaptativa Multivariante (MARS) y Regresión de Vectores de Soporte (SVR). Cada modelo fue probado con un 30% de datos de validación y 100 rondas de remuestreo. En todos los pacientes (n = 7.030), la inclusión de variables adicionales produjo una mejora pequeña pero significativa en la predicción de la dosis en comparación con el algoritmo IWPC (47,8% vs. 46,7%; p = 1,43 × 10⁻¹⁵). Los modelos no lineales con variables IWPC no mostraron mejoras significativas frente al modelo lineal IWPC. En los pacientes ULLA (n = 1.734), IWPC tuvo un rendimiento similar a los demás algoritmos farmacogenéticos lineales y no lineales. Los resultados reafirman la validez del IWPC en una población grande y diversa étnicamente, y sugieren que la inclusión de variables adicionales relacionadas con la variabilidad de la dosis puede mejorar los algoritmos de predicción de dosis de warfarina.
Abstract
Populations used to develop warfarin dose prediction algorithms have largely lacked participants reporting Hispanic or Latino ethnicity. Although previous studies suggest that nonlinear models can improve dose prediction, this research has mainly focused on populations of European ancestry. This study compared the accuracy of stable warfarin dose prediction using linear and nonlinear machine learning models in a large cohort enriched for U.S. Latinos and Latin Americans (ULLA). Models were tested using the same variables from the International Warfarin Pharmacogenetics Consortium (IWPC) and an expanded set including ethnicity and warfarin indication. We applied multiple linear regression and three nonlinear regression models: Bayesian Additive Regression Trees (BART), Multivariate Adaptive Regression Splines (MARS), and Support Vector Regression (SVR). Each model was validated with a 30% testing dataset and 100 rounds of resampling. Among all patients (n = 7,030), inclusion of additional predictor variables led to a small but significant improvement in dose prediction compared with the IWPC algorithm (47.8% vs. 46.7%; p = 1.43 × 10⁻¹⁵). Nonlinear models using IWPC variables did not significantly outperform the linear IWPC algorithm. In ULLA patients (n = 1,734), IWPC performed similarly to other linear and nonlinear pharmacogenetic algorithms. These findings reinforce the validity of IWPC in a large, ethnically diverse population and suggest that adding variables capturing dose variability may enhance warfarin dose prediction algorithms.
Palabras clave
Farmacogenética , Modelos de predicción , Aprendizaje automático , Modelos lineales , Modelos no lineales , IWPC , Latinoamericanos , Variabilidad de dosis , Algoritmos farmacogenéticos
Keywords
Warfarin, Pharmacogenetics, Dose prediction, Machine learning, Linear models, Nonlinear models, IWPC, Latin Americans, Dose variability, Pharmacogenetic algorithms. , Pharmacogenetics , Dose prediction , Machine learning , Linear models , Nonlinear models , IWPC
