चिकित्सीय इमेजिंग में प्रगति: ग्राफ कन्वोल्यूशनल नेटवर्क (GCN) के साथ पॉलीफार्मेसी और प्रतिकूल औषधीय प्रभावों का पता लगाना

सार पॉलीफार्मेसी में एक व्यक्ति एक ही समय में कई दवाओं का उपयोग करता है और यह जटिल चिकित्सा विकारों का इलाज करने के लिए उपयोग की जाने वाली सामान्य स्वास्थ्य देखभाल तकनीक है। फिर भी, यह नकारात्मक औषधीय प्रतिक्रियाओं और अंतर्विरोधों के महत्वपूर्ण जोखिम भी प्रस्तुत करता है। पॉलीफार्मेसी के कारण होने वाले प्रतिकूल प्रभावों की पहचान और समाधान रोगी की सुरक्षा सुनिश्चित करने और स्वास्थ्य देखभाल के परिणामों में सुधार के लिए महत्वपूर्ण है। यह पत्र पॉलीफार्मेसी के साइड इफेक्ट्स की पहचान के लिए ग्राफ कन्वोल्यूशनल नेटवर्क (GCN) का उपयोग करने की एक नई विधि प्रस्तुत करता है। हमारी रणनीति एक औषधीय अंतर्वर्ती ग्राफ विकसित करने में शामिल है जिसमें किनारे औषधीय-औषधीय अंतर्वर्तक के आधार पर फार्माकोलॉजिकल गुणों को दर्शाते हैं और नोड्स औषधियों का प्रतिनिधित्व करते हैं। GCN सामाजिक जानकारी के ग्राफ-आधारित प्रतिनिधित्व के लिए एक उपयुक्त गहन अध्ययन प्रक्रिया है। इसका उपयोग दवा के प्रतिकूल प्रभावों की संभावना का अनुमान लगाने और दवा अंतर्वर्तनों के महत्वपूर्ण प्रतिनिधित्वों को याद करने के लिए किया जा सकता है। हमारी रणनीति को मान्य करने के लिए, मरीजों के दवा रिकॉर्ड के एक बड़े डेटा सेट पर परीक्षण किए गए जो निगरानी में प्रतिकूल औषधीय प्रभावों के साथ टिप्पणी की गई थी। इस डेटा सेट के एक उपसमुच्चय पर प्रशिक्षित GCN मॉडल का प्रदर्शन एक भ्रम नेटवर्क के माध्यम से मूल्यांकन किया गया। भ्रम नेटवर्क उस सटीकता को दर्शाता है जिसके साथ मॉडल घटनाओं को वर्गीकृत करता है। हमारे निष्कर्ष पॉलीफार्मेसियों से संबंधित विपरीत प्रतिक्रियाओं की पहचान में प्रोत्साहक प्रगति को दर्शाते हैं। हृदय प्रणाली के लक्षित औषधियों के लिए, GCN तकनीक ने 94.12% सटीकता, 86.56% सटीकता, 88.56% F1-स्कोर, 89.74% AUC और 87.92% पुनःकाल प्राप्त किया। श्वसन प्रणाली के लक्षित औषधियों के लिए, GCN तकनीक ने 93.38% सटीकता, 85.64% सटीकता, 89.79% F1-स्कोर, 91.85% AUC और 86.35% पुनःकाल प्राप्त किया। और तंत्रिका प्रणाली के लक्षित औषधियों के लिए, GCN तकनीक ने 95.27% सटीकता, 88.36% सटीकता, 86.49% F1-स्कोर, 88.83% AUC और 84.73% पुनःकाल प्राप्त किया। यह शोध फार्माकोविजिलेंस में एक महत्वपूर्ण योगदान प्रदान करता है क्योंकि यह पॉलीफार्मेसी के साइड इफेक्ट्स का पता लगाने और उन्हें कम करने के लिए डेटा-आधारित विधि का प्रस्ताव करता है, जिससे रोगी की सुरक्षा और स्वास्थ्य देखभाल निर्णय लेने की क्षमता बढ़ती है।