Ítem
Acceso Abierto

Machine Learning for Prediction of Stable Warfarin Dose in US Latinos and Latin Americans

Mostrar el registro sencillo de la publicación
dc.creatorSteiner, Heidi E.
dc.creatorGiles, Jason B.
dc.creatorKnight Patterson, Hayley
dc.creatorFeng, Jianglin
dc.creatorEl Rouby, Nihal
dc.creatorClaudio, Karla
dc.creatorRodrigues Marcatto, Leiliane
dc.creatorCamargo Tavares, Leticia
dc.creatorMarcela Galvez, Jubby
dc.creatorCalderon-Ospina, Carlos-Alberto
dc.creatorSun, Xiaoxiao
dc.creatorHutz, Mara H.
dc.creatorScott, Stuart A.
dc.creatorCavallari, Larisa H.
dc.creatorFonseca-Mendoza, Dora Janeth
dc.creatorDuconge, Jorge
dc.creatorRodrigues Botton, Mariana
dc.creatorPaulo Caleb Junior Lima Santos
dc.creatorKarnes, Jason H.
dc.date.accessioned2025-11-07T20:04:43Z
dc.date.available2025-11-07T20:04:43Z
dc.date.created2021-07-29
dc.date.issued2021-10-29
dc.descriptionLas 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.
dc.description.abstractPopulations 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.
dc.format.extent13 pp
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.3389/fphar.2021.749786
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/46892
dc.language.isospa
dc.rightsAttribution-NonCommercial-ShareAlike 4.0 International*
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto completo)spa
dc.rights.licenciaEL AUTOR, manifiesta que la obra objeto de la presente autorización es original y la realizó sin violar o usurpar derechos de autor de terceros, por lo tanto la obra es de exclusiva autoría y tiene la titularidad sobre la misma. PARGRAFO: En caso de presentarse cualquier reclamación o acción por parte de un tercero en cuanto a los derechos de autor sobre la obra en cuestión, EL AUTOR, asumirá toda la responsabilidad, y saldrá en defensa de los derechos aquí autorizados; para todos los efectos la universidad actúa como un tercero de buena fe. EL AUTOR, autoriza a LA UNIVERSIDAD DEL ROSARIO, para que en los términos establecidos en la Ley 23 de 1982, Ley 44 de 1993, Decisión andina 351 de 1993, Decreto 460 de 1995 y demás normas generales sobre la materia, utilice y use la obra objeto de la presente autorización. -------------------------------------- POLITICA DE TRATAMIENTO DE DATOS PERSONALES. Declaro que autorizo previa y de forma informada el tratamiento de mis datos personales por parte de LA UNIVERSIDAD DEL ROSARIO para fines académicos y en aplicación de convenios con terceros o servicios conexos con actividades propias de la academia, con estricto cumplimiento de los principios de ley. Para el correcto ejercicio de mi derecho de habeas data cuento con la cuenta de correo habeasdata@urosario.edu.co, donde previa identificación podré solicitar la consulta, corrección y supresión de mis datos.spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/*
dc.source.bibliographicCitationAlzubiedi, S., and Saleh, M. I. (2016). Pharmacogenetic-guided Warfarin Dosing Algorithm in African-Americans. J. Cardiovasc. Pharmacol. 67, 86–92. doi:10.1097/FJC.0000000000000317
dc.source.bibliographicCitationArwood, M. J., Deng, J., Drozda, K., Pugach, O., Nutescu, E. A., Schmidt, S., et al. (2017). Anticoagulation Endpoints with Clinical Implementation of Warfarin Pharmacogenetic Dosing in a Real-World Setting: A Proposal for a New Pharmacogenetic Dosing Approach. Clin. Pharmacol. Ther. 101, 675–683. doi:10.1002/cpt.558
dc.source.bibliographicCitationAsiimwe, I. G., Zhang, E. J., Osanlou, R., Krause, A., Dillon, C., Suarez-Kurtz, G., et al. (2020). Genetic Factors Influencing Warfarin Dose in Black-African Patients: A Systematic Review and Meta-Analysis. Clin. Pharmacol. Ther. 107, 1420–1433. doi:10.1002/cpt.1755
dc.source.bibliographicCitationBarnes, G. D., Lucas, E., Alexander, G. C., and Goldberger, Z. D. (2015). National Trends in Ambulatory Oral Anticoagulant Use. Am. J. Med. 128, 1300–5.e2. doi:10.1016/j.amjmed.2015.05.044
dc.source.bibliographicCitationBotton, M. R., Bandinelli, E., Rohde, L. E., Amon, L. C., and Hutz, M. H. (2011). Influence of Genetic, Biological and Pharmacological Factors on Warfarin Dose in a Southern Brazilian Population of European Ancestry. Br. J. Clin. Pharmacol. 72, 442–450. doi:10.1111/j.1365-2125.2011.03942.x
dc.source.instnameinstname:Universidad del Rosariospa
dc.source.reponamereponame:Repositorio Institucional EdocURspa
dc.subjectFarmacogenética
dc.subjectModelos de predicción
dc.subjectAprendizaje automático
dc.subjectModelos lineales
dc.subjectModelos no lineales
dc.subjectIWPC
dc.subjectLatinoamericanos
dc.subjectVariabilidad de dosis
dc.subjectAlgoritmos farmacogenéticos
dc.subject.keywordWarfarin, Pharmacogenetics, Dose prediction, Machine learning, Linear models, Nonlinear models, IWPC, Latin Americans, Dose variability, Pharmacogenetic algorithms.
dc.subject.keywordPharmacogenetics
dc.subject.keywordDose prediction
dc.subject.keywordMachine learning
dc.subject.keywordLinear models
dc.subject.keywordNonlinear models
dc.subject.keywordIWPC
dc.titleMachine Learning for Prediction of Stable Warfarin Dose in US Latinos and Latin Americans
dc.typejournalArticle
dc.type.hasVersioninfo:eu-repo/semantics/publishedVersion
dc.type.spaArtículo
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
Machine_Learning_for_Prediction_Steiner_Heidi_E.pdf
Tamaño:
1.57 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Artículos