Causal prediction models for medication safety monitoring: The diagnosis of vancomycin-induced acute kidney injury

要約

入院患者における薬物有害事象（ADE）の遡及的診断に対する現在のベストプラクティスアプローチは、複数の医療専門家による完全な患者カルテのレビューと正式な因果関係評価に依存しています。
この評価は、因果関係の確率 (PC) を定性的に推定するのに役立ちます。
薬剤が有害事象の必然的な原因である確率。
この実践は手作業であり、リソースを大量に消費し、人間の偏見が入りやすいため、データ主導の意思決定サポートの恩恵を受ける可能性があります。
ここでは、観測データを使用して PC の下限 (PC$_{low}$) を推定する因果モデリング アプローチを開拓します。
この方法には、2 つの重要な因果推論コンポーネントが含まれています。(1) ターゲット試験エミュレーション フレームワークと (2) 機械学習を使用した個別の治療効果の推定。
私たちの方法を集中治療患者におけるバンコマイシン誘発性急性腎障害の臨床的に関連するユースケースに適用し、因果モデルに基づく PC$_{low}$ 推定値を医療専門家によって提供された PC の定性的推定値と比較します。
重要な制限と改善の可能性について議論し、将来的に改善された因果モデルが入院患者の薬物安全性モニタリングに不可欠なデータ駆動型のサポートを提供できる可能性があると結論付けています。

要約(オリジナル)

The current best practice approach for the retrospective diagnosis of adverse drug events (ADEs) in hospitalized patients relies on a full patient chart review and a formal causality assessment by multiple medical experts. This evaluation serves to qualitatively estimate the probability of causation (PC); the probability that a drug was a necessary cause of an adverse event. This practice is manual, resource intensive and prone to human biases, and may thus benefit from data-driven decision support. Here, we pioneer a causal modeling approach using observational data to estimate a lower bound of the PC (PC$_{low}$). This method includes two key causal inference components: (1) the target trial emulation framework and (2) estimation of individualized treatment effects using machine learning. We apply our method to the clinically relevant use-case of vancomycin-induced acute kidney injury in intensive care patients, and compare our causal model-based PC$_{low}$ estimates to qualitative estimates of the PC provided by a medical expert. Important limitations and potential improvements are discussed, and we conclude that future improved causal models could provide essential data-driven support for medication safety monitoring in hospitalized patients.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google