MARC

 008260126s2024        us                              c    eng  d
■001000017356512
■00520260202102941
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798314820957
■035    ▼a(MiAaPQ)AAI30995797
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a615
■1001  ▼aSun,  Boguang.
■24510▼aAdvancing  Precision  Medicine:  Harnessing  Data  From  Diverse  Sources  and  Individuals  to  Predict  Medication  Efficacy  and  Safety
■260    ▼a[Sl]▼bUniversity  of  Minnesota▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a123  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Straka,  Robert  J.
■5021  ▼aThesis  (Ph.D.)--University  of  Minnesota,  2024.
■520    ▼aMy  research  is  centered  on  the  integration  of  diverse  data  sources  to  develop  predictive  models  aimed  for  individualized  medication  treatment.  These  sources  include  clinical  studies  and  multi-omic  data,  as  well  as  real-world  data  (RWD)  such  as  electronic  health  records  (EHRs).  My  passion  for  this  research  area  stems  from  a  deep-seated  commitment  to  enhancing  patient  outcomes  by  optimizing  medication  selection  and  use.  During  my  PharmD  curriculum  as  an  inpatient  pharmacy  intern,  I  had  direct  interactions  with  patients,  documenting  their  medication-related  inquiries  and  needs.  It  became  evident  that  a  one-size-fits-all  approach  is  inadequate,  and  the  key  to  improving  medication  outcomes  lies  in  individualized  therapy.  This  thesis  demonstrates  the  following  research  projects: Deciphering  medication  exposure  and  response  differences  to  address  health  disparities  in  underrepresented  populations:  warfarin  dosing  in  Minnesota  Hmong  as  an  example  (Chapter  2  and  3)Warfarin,  a  commonly  prescribed  anticoagulant,  exhibits  highly  variable  dosing  among  individuals.  Our  prior  research  on  Hmong,  an  underserved  and  underrepresented  East  Asian  subgroup,  revealed  unique  pharmacogenomic  (PGx)  traits  impacting  their  warfarin  dosing.  Analyzing  data  from  two  Hmong  cohorts  (n=236  and  n=198),  we  found  significantly  higher  CYP2C9*3  allele  frequencies  (18.9%  vs.  3.0%)  and  lower  predicted  warfarin  maintenance  doses  (19.8  vs.  21.3  mg/week)  compared  to  other  East  Asians.  These  genetic  differences,  combined  with  non-genetic  factors,  result  in  distinct  warfarin  dosing  requirements  for  Hmong  individuals.  In  a  subsequent  retrospective  cohort  study  using  Minnesota  Fairview  EHR  data  from  January  1  2016  to  September  30,  2020,  we  compared  Hmong  (N=55)  and  East  Asians  (N=34)  receiving  warfarin.  The  results  corroborated  that  Hmong  required  a  lower  warfarin  maintenance  dose,  had  more  INR  measurements,  and  a  higher  risk  of  bleeding  events  compared  to  other  East  Asians. This  project  focused  on  investigating  variations  in  medication  dosing  and  treatment  outcomes  by  leveraging  clinical  and  genetic  data.  This  research  focus  was  especially  important  for  underserved  populations,  as  they  often  receive  treatments  based  on  population  averages,  which  can  result  in  inefficacy  or  increased  prevalence  of  side  effects.  Throughout  this  research,  I  became  aware  of  the  gap  in  high-quality  data  for  underserved  populations,  primarily  due  to  their  limited  participation  in  clinical  studies.  Recognizing  this  limitation,  I  turned  my  attention  to  the  use  of  RWD  with  a  particular  emphasis  on  EHR  data,  as  a  feasible  and  reliable  resource  to  compensate  for  the  lack of  clinical  data  available  for  analysis  in  underserved  populations.  Furthermore,  I've  come  to  appreciate  the  significance  of  employing  combinatorial  and  multifactorial  approaches  to  predictive  modeling,  rather  than  relying  solely  on  genetic  or  clinical  data.  It  has  been  widely  acknowledged  that  machine  learning  (ML)  is  particularly  useful  for  analyzing  and  predicting  outcomes  based  on  multidimensional  features.  These  realizations  have  shaped  my  current  research  focus,  centered  on  the  mining  of  EHR  data  for  medication  efficacy  and  outcome  modeling  using  advanced  artificial  intelligence  (AI)/ML  techniques. Leveraging  multi-omic  data  to  address  variations  in  medication  exposure  and  responses:  a  phase  II  clinical  trial  investigating  Hmong's  response  to  Vitamin  C  as  potential  Gout  treatment  based  on  genome  and  microbiome  analysis  (Chapter  4)Hmong  men  in  Minnesota  display  a  higher  prevalence  of  gout  and  hyperuricemia.  Despite  conflicting  evidence  regarding  the  efficacy  of  vitamin  C  as  a  treatment  for  gout,  an  exploration  of  its  therapeutic  potential  based  on  an  individual's  multi-omic  signature  could  unveil  predictive  markers  for  treatment  success.  In  line  with  community-based  participatory  research  (CBPR)  principles,  we  conducted  a  Phase  II  clinical  trial  with  the  primary  goal  of  evaluating  the  impact  of  vitamin  C  on  serum  urate  levels  in  Hmong  adults,  both  with  and  without  gout/hyperuricemia  (Gout/HU).Enrolling  a  total  of  N=135  Hmong  adults,  including  those  with  or  without  Gout/HU,  participants  provided  comprehensive  medical,  demographic,  dietary,  and  anthropometric  information.  Among  the  compliant  participants  (N=62),  comprising  N=36  with  Gout/HU  and  N=25  as  healthy  controls,  a  regimen  of  vitamin  C  at  500mg  twice  daily  for  8  weeks  was  administered.  Pre-  and  post-treatment  blood  and  urine  samples  were  collected  for  urate  measurements,  alongside  stool  samples  for  assessing  the  gut  microbiome.  Salivary  DNA  was  also  obtained  to  explore  genetic  markers  relevant  to  uric  acid  disposition.Preliminary  analysis  on  the  N=62  compliant  participants  indicates  that  vitamin  C  does  not  have  a  statistically  significant  impact  on  lowering  serum  urate  levels  in  Hmong  adults,  irrespective  of  Gout/HU  status.  Ongoing  analysis  is  anticipated  to  reveal  clinical,  genetic,  and  microbiome  markers  important  for  predicting  an  individual's  response  to  Vitamin  C  in  reducing  serum  urate.Optimizing  identification  and  prediction  of  medication  side  effects  using  natural  language  processing  (NLP)  and  (machine  learning)  ML:  phenotyping  and  predicting  statin  muscle  symptoms  using  EHR  data  as  an  example  (Chapter  5  and  6)Around  half  of  Americans  aged  65  and  above  rely  on  statins  to  mitigate  the  risks  of  cardiovascular  disease.  Statin-associated  muscle  symptoms  (SAMS)  often  lead  to  statin  discontinuation  and  are  documented  in  clinical  notes  within  EHRs.  NLP,  a  subfield  of  AI,  is  used  to  extract  such  real-world  information  within  patients'  EHRs,  which,  in  turn,  can  be  utilized  to  build  ML  algorithms  that  can  predict  patients  at  risk  for  SAMS  and  statin  intolerance.  In  this  project,  we  aimed  to  develop  SAMS  phenotyping  and  predicting  algorithms  using  academic  health  center  (AHC)  -  information  exchange  (IE)  EHR  data.  Our  approach  involved  obtaining  structured  and  unstructured  EHR  data  from  statin  users  and  manually  establishing  a  gold  standard  set  of  SAMS  cases  and  controls  in  200  patients  from  clinical  notes.  We  developed  both  ML  and  rule-based  algorithms,  considering  various  criteria  such  as  ICD  codes,  statin  allergy,  creatine  kinase  elevation,  and  keyword  mentions  in  clinical  notes.  The  best-performing  algorithm,  the  combined  rule-based  (CRB)  algorithm,  which  integrated  clinical  notes  and  structured  data  criteria,  achieved  a  precision  of  0.85,  recall  of  0.71,  and  an  F1  score  of  0.77  against  the  gold  standard  set.  Next,  using  our  SAMS  phenotyping  algorithm,  We  identified  SAMS  cases  and  controls  from  Fairview  EHR.  We  utilized  the  Least  Absolute  Shrinkage  and  Selection  Operator  regression  model  to  identify  significant  features  for  Pharmacological  SAMS  (PSAMS).  PSAMS-  Risk  Stratification  (PSAMS-RS)  scores  were  calculated  and  the  clinical  utility  of  stratifying  PSAMS  risk  was  assessed  by  comparing  hazard  ratios  (HR)  between  4th  versus  1st  score  quartiles.  PSAMS  cases  were  identified  in  1.9%  of  the  derivation  and  1.5%  of  the  validation  cohorts.  16  out  of  38  clinical  features  were  determined  to  be  significant  predictors  for  PSAMS  risk.  Patients  within  the  4th  quartile  of  the  PSAMS-RS  scores  had  an  over  sevenfold  higher  hazard  for  developing  PSAMS  versus  those  in  the  1st  quartile.This  project  initially  developed  and  validated  a  rule-based  algorithm  for  identifying  pharmacological  SAMS  (PSAMS).  Subsequently,  we  introduced  the  PSAMS-RS  score,  a  user-friendly  tool  that  stratifies  patients'  risk  of  developing  PSAMS  after  initiating  statin  therapy.  The  tools  developed  from  this  project  can  help  clinicians  identify  and  predict  potential  SAMS-related  statin  noncompliance  and  therefore  take  preventative  measures  to  improve  statin  adherence.  As  a  majority  of  patient  reported  medication  nonadherence  events  are  documented  within  EHRs  in  unstructured  data  format,  specific  mining  and  interpreting  such  information  using  novel  informatics  tools  such  as  NLP  have  clinical  and  translational  impact  as  they  provide  more  reliable  information  and  therefore  could  compliment  the  developments  of  risk  prediction  models  that  are  more  accurate,  and  patient  centered.  While  challenges  remain,  such  as  the  need  for  external  validation  and  uncertainty  regarding  the  integration  of  these  tools  into  routine  clinical  care,  the  future research  will  focus  on  leveraging  ML  and  NLP  to  optimize  the  development  and  integration  of  predictive  models  in  routine  clinical  care. 
■590    ▼aSchool  code:  0130.
■650  4▼aPharmaceutical  sciences
■650  4▼aPharmacology
■650  4▼aMedicine
■650  4▼aBiochemistry
■653    ▼aElectronic  health  records
■653    ▼aMedication  outcomes
■653    ▼aNatural  language  processing
■653    ▼aPharmacogenomics
■653    ▼aPredictive  modeling
■690    ▼a0572
■690    ▼a0487
■690    ▼a0564
■690    ▼a0419
■71020▼aUniversity  of  Minnesota▼bExperimental  &  Clinical  Pharmacology.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0130
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17356512▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books