An Ensembled SVM Based Approach for Predicting Adverse Drug Reactions

支持向量机 计算机科学 药物反应 训练集 核(代数) 机器学习 人工智能 集合(抽象数据类型) 药品 数据挖掘 数学 医学 药理学 组合数学 程序设计语言
作者
Pratik Joshi,V. Masilamani,Raj Ramesh
出处
期刊:Current Bioinformatics [Bentham Science Publishers]
卷期号:16 (3): 422-432 被引量:21
标识
DOI:10.2174/1574893615999200707141420
摘要

Background: Preventing adverse drug reactions (ADRs) is imperative for the safety of the people. The problem of under-reporting the ADRs has been prevalent across the world, making it difficult to develop the prediction models, which are unbiased. As a result, most of the models are skewed to the negative samples leading to high accuracy but poor performance in other metrics such as precision, recall, F1 score, and AUROC score. Objective: In this work, we have proposed a novel way of predicting the ADRs by balancing the dataset. Method: The whole data set has been partitioned into balanced smaller data sets. SVMs with optimal kernel have been learned using each of the balanced data sets and the prediction of given ADR for the given drug has been obtained by voting from the ensembled optimal SVMs learned. Results: We have found that results are encouraging and comparable with the competing methods in the literature and obtained the average sensitivity of 0.97 for all the ADRs. The model has been interpreted and explained with SHAP values by various plots. Conclusion: A novel way of predicting ADRs by balancing the dataset has been proposed thereby reducing the effect of unbalanced datasets.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
abobo完成签到 ,获得积分10
1秒前
九儿完成签到 ,获得积分10
1秒前
weiyubi完成签到,获得积分10
5秒前
帕金森关注了科研通微信公众号
6秒前
良仑关注了科研通微信公众号
10秒前
BK2008完成签到,获得积分10
10秒前
昏睡的蟠桃应助zll采纳,获得60
13秒前
17秒前
钱俊完成签到,获得积分10
17秒前
21秒前
liuliuliu发布了新的文献求助10
22秒前
23秒前
草莓味的榴莲完成签到,获得积分10
24秒前
qinghong发布了新的文献求助10
26秒前
28秒前
司徒元瑶完成签到 ,获得积分10
30秒前
CipherSage应助竹马子采纳,获得10
31秒前
lonelymusic完成签到,获得积分10
35秒前
Skyrin完成签到,获得积分0
36秒前
朱比特完成签到,获得积分10
39秒前
夹心吉吉完成签到 ,获得积分10
40秒前
44秒前
jazzmantan发布了新的文献求助10
48秒前
Leif应助科研通管家采纳,获得10
48秒前
qiao应助科研通管家采纳,获得10
48秒前
科研通AI5应助科研通管家采纳,获得30
49秒前
Singularity应助科研通管家采纳,获得10
49秒前
所所应助科研通管家采纳,获得10
49秒前
科研通AI5应助科研通管家采纳,获得10
49秒前
49秒前
49秒前
SciGPT应助sym采纳,获得10
50秒前
nn发布了新的文献求助10
53秒前
55秒前
ll完成签到,获得积分10
59秒前
满当当发布了新的文献求助10
1分钟前
深情安青应助qinghong采纳,获得10
1分钟前
ni完成签到 ,获得积分10
1分钟前
依然小爽完成签到 ,获得积分10
1分钟前
XXH216完成签到,获得积分20
1分钟前
高分求助中
【此为提示信息,请勿应助】请按要求发布求助,避免被关 20000
Continuum Thermodynamics and Material Modelling 2000
Encyclopedia of Geology (2nd Edition) 2000
105th Edition CRC Handbook of Chemistry and Physics 1600
Maneuvering of a Damaged Navy Combatant 650
Периодизация спортивной тренировки. Общая теория и её практическое применение 310
Mixing the elements of mass customisation 300
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 物理 生物化学 纳米技术 计算机科学 化学工程 内科学 复合材料 物理化学 电极 遗传学 量子力学 基因 冶金 催化作用
热门帖子
关注 科研通微信公众号,转发送积分 3779589
求助须知:如何正确求助?哪些是违规求助? 3325050
关于积分的说明 10221197
捐赠科研通 3040176
什么是DOI,文献DOI怎么找? 1668673
邀请新用户注册赠送积分活动 798729
科研通“疑难数据库(出版商)”最低求助积分说明 758535