Autor/autores:
Zheng Zhu , Dooti Roy , Shaolei Feng...(et.al)
Objetivo Se evaluó la capacidad de los algoritmos de aprendizaje automático para predecir la adherencia a la medicación utilizando datos de AiCure, una aplicación para smartphones asistida por visión computarizada, que registra el evento de ingestión de medicamentos. Métodos Se reclutaron pacientes tratados con BI 409306 de dos ensayos controlado...
PUBLICIDAD
Estás viendo una versión reducida de este contenido.
Para consultar la información completa debes registrarte gratuitamente.
Tan sólo te llevará unos segundos.
Y si ya estás registrado inicia sesión pulsando aquí.
Se evaluó la capacidad de los algoritmos de aprendizaje automático para predecir la adherencia a la medicación utilizando datos de AiCure, una aplicación para smartphones asistida por visión computarizada, que registra el evento de ingestión de medicamentos.
Se reclutaron pacientes tratados con BI 409306 de dos ensayos controlados aleatorizados de fase II en esquizofrenia (NCT03351244) y trastornos psicóticos atenuados (NCT03230097). Se optimizó un modelo de aprendizaje automático para predecir la adherencia total al ensayo utilizando datos de AiCure recopilados durante tres períodos de monitoreo (7/10/14 días), umbrales de adherencia (0. 6/0. 7/0. 8) y puntos temporales (Inicio/Medio/Fin). Se analizaron el área bajo la curva (AUC), la tasa de falsos negativos y la tasa de omisión falsa promediadas a través de 10 validaciones cruzadas del modelo. En NCT03351244, los análisis post hoc compararon el tiempo hasta la primera recaída en pacientes observados como adherentes versus aquellos predichos como adherentes por el modelo.
De 235 pacientes, el 60. 4% demostró una adherencia ≥80%. Con un umbral de adherencia de 0. 8, el modelo de 14 días fue el mejor (AUC: 0. 81 versus 0. 79 [10 días], 0. 77 [7 días]). Dentro del modelo de 14 días, el umbral de 0. 6 fue óptimo (AUC: 0. 87 versus 0. 85 [umbral de 0. 7], 0. 81 [umbral de 0. 8]). El punto temporal de Fin de Ensayo produjo la predicción más precisa (AUC: 0. 92 versus 0. 87 [Inicio], 0. 85 [Medio]). A pesar de que NCT03351244 no cumplió con el objetivo principal, se observó una reducción en el riesgo de primera recaída con BI 409306 versus placebo cuando se analizó con completadores adherentes (≥80% a lo largo del ensayo; HR = 0. 485) y pacientes con adherencia predicha ≥60% (HR = 0. 510).
Los datos de adherencia con duraciones de monitoreo más largas (14 días), umbrales de adherencia más bajos (0. 6) y puntos temporales más tardíos (Fin de Ensayo) produjeron las predicciones de adherencia más precisas. La predicción precisa de la adherencia proporciona información sobre los patrones de adherencia a los medicamentos que pueden ayudar a los clínicos a mejorar la adherencia individual.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://www.sciencedirect.com/
4,2 créditos
Inicio: 02/04/2025 |Precio: 90€
Ver curso