Medicacom
Devis en ligne

traitement personnalisé des antivitamines K

Publié par Medicacom Le 28 mai 2021

L'acénocoumarol est un médicament anticoagulant utilisé dans la prévention des maladies thromboemboliques
dans les infarctus et les accidents ischémiques transitoires,
ainsi que dans la prise en charge de la thrombose veineuse profonde et de l'infarctus du myocarde.

l'acénocoumarol est un dérivé de la coumarine il inhibent la réduction de la vitamine K par la vitamine K réductase.
Cela empêche la carboxylation des facteurs de coagulation vitamine k dépendant II, VII, IX et X, et
interfère avec la coagulation,L'hématocrite, l'hémoglobine, le rapport normalisé international (INR) et le panel hépatique doivent être
surveillés.

notre Objectif est d'établir un algorithme pharmacogénétique pour prédire une dose AC adéquate pour stabiliser l'anticoagulation
selon des variabilités interindividuelles qui inclut des facteurs cliniques et génétiques de la réponse à l'acénocoumarol (AC)

Cette application a eté developpeé par medicacom en partenariat avec le service biochimie sahloul sousse .
Ce dernier a déjà travaillé sur cette problématique et a publie l'etude qui peut etre consulter en suivant ce lien :

https://link.springer.com/article/10.1007/s00228-018-2423-7

Nous avons utilisé des outils et des technologies diversifiés pour obtenir les résultats les plus optimisés.

Nous avons programmé le modèle avec le langage de programmation Python et les bibliothèques et algorithmes de Machine et Deep Learning.

Le processus était le suivant :

* L'analyse exploratoire des données pour détecter les idées qui peuvent être utiles dans la phase de modélisation.
* Le traitement des données avec l'imputation des valeurs manquantes par l'imputateur itératif ADA BOOST REGRESSOR de Sickit Learn et l'application de certaines transformations.
* La sélection des variables à travers l'algorithme de régression régularisée Lasso.
* La modélisation à travers l'algorithme de régression linéaire et ses variations (Lasso, Ridge, ElasticNet, XGBregressor, Multi-Layer-Perceptron, RandomForestRegressor, Stochastic Gradient Descent Regressor).

En plus de cela, nous avons utilisé le réseau de neurones artificiel profond (Deep Artificial Neural Network) avec KERAS et TensorFlow.
* Le réglage et l'optimisation des hyperparamètres par la Recherche de GRILLE avec validation croisée. (GRID-SEARCH-CV)

Notez bien que les algorithmes et modèles d'apprentissage automatique et d'apprentissage profond ont besoin d'un volume important de données pour garantir des résultats solides et précis.
Mais, en raison du faible volume de données dont nous disposons jusqu'à présent, le projet sera revu et optimisé à l'avenir afin de produire de meilleurs résultats avec plus de données.