METHODS AND SYSTEMS FOR PREDICTING IN-VIVO RESPONSE TO DRUG THERAPIES

A method building models for predicting patient response to drug therapies uses patient data, including functional data, clinical data, and, in some implementations, genetic data (e.g., DNA extracted from diseased tissue). The functional data includes initial cell viability and cell viability in res...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Hauptverfasser: BOHANNON, Zachary Scott, LIM, Sungwon, PUDUPAKAM, Raghavendra Sumanth Kumar
Format: Patent
Sprache:eng ; fre
Schlagworte:
Online-Zugang:Volltext bestellen
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:A method building models for predicting patient response to drug therapies uses patient data, including functional data, clinical data, and, in some implementations, genetic data (e.g., DNA extracted from diseased tissue). The functional data includes initial cell viability and cell viability in response to exposure to one or more drug therapies, and the clinical data includes patient information over time. For each patient, the method forms a feature vector comprising the functional data and the clinical data (and genetic data, when used). The method uses at least a subset of the feature vectors to train a first model to predict individual patient response to a first drug therapy. The method then stores the trained first model in a database for subsequent use in predicting patient response to the first drug therapy. Another method predicts patient responses to one or more drug therapies using the trained models. Procédé de construction de modèles pour prédire la réponse d'un patient à des thérapies médicamenteuses utilisant des données de patients, y compris des données fonctionnelles, des données cliniques et, dans certaines mises en œuvre, des données génétiques (par exemple, de l'ADN extrait d'un tissu malade). Les données fonctionnelles comprennent la viabilité cellulaire initiale et la viabilité cellulaire en réponse à une exposition à une ou plusieurs thérapies médicamenteuses, et les données cliniques comprennent des informations concernant le patient au fil du temps. Pour chaque patient, le procédé forme un vecteur de caractéristiques comprenant les données fonctionnelles et les données cliniques (et les données génétiques, lorsqu'elles sont utilisés). Le procédé utilise au moins un sous-ensemble des vecteurs de caractéristiques pour entraîner un premier modèle pour prédire une réponse de patient individuelle à une première thérapie médicamenteuse. Le procédé stocke ensuite le premier modèle entraîné dans une base de données pour une utilisation ultérieure dans la prédiction d'une réponse de patient à la première thérapie médicamenteuse. Un autre procédé prédit des réponses de patient à une ou plusieurs thérapies médicamenteuses à l'aide des modèles entraînés.