利用治疗药物监测记录，比较人工智能（AI）模型与群体药代动力学（Population PK）模型在预测抗癫痫药物浓度方面的效果

《Clinical and Translational Science》：A Comparison of AI and Population PK Models to Predict the Concentrations of Antiepileptic Drugs Using Therapeutic Drug Monitoring Records

人工智能模型与人口药代动力学模型在抗癫痫药物浓度预测中的对比研究。通过分析首尔国立大学医院2010-2021年的TDM数据及电子病历，构建了10种AI模型（包括随机森林、梯度提升机等）与四种AEDs的现有人口PK模型进行预测性能比较。结果显示，AI模型（如Adaboost、随机森林）在卡马西平、苯妥英钠和丙戊酸浓度预测中RMSE显著低于传统PK模型（2.71 vs 3.09 μg/mL；4.15 vs 16.12 μg/mL；13.68 vs 25.02 μg/mL），尤其在处理高变异性和多维临床数据时优势明显。关键协变量分析表明，时间自上次给药（TSLD）和日剂量是最重要的影响因素，且AI模型能通过Shapley值解释预测机制。该研究为个性化抗癫痫药物治疗提供了AI技术支持，并指出AI与PK模型可互补应用于临床决策优化。

　　在现代医学领域，药物治疗的个性化管理正变得越来越重要。癫痫是一种常见的神经系统疾病，影响全球约1%的人口，其治疗过程中维持抗癫痫药物（AEDs）在治疗范围内的浓度是一项关键挑战。为了优化治疗效果并减少不良反应，研究者们开发了多种模型，其中传统的人群药代动力学（Population Pharmacokinetic, PK）模型被广泛应用。然而，随着人工智能（Artificial Intelligence, AI）技术的发展，AI模型因其能够识别复杂模式且无需依赖数学假设而受到越来越多的关注。本文通过比较AI模型与传统人群PK模型在治疗药物监测（Therapeutic Drug Monitoring, TDM）数据上的预测能力，探讨了AI在个性化药物管理中的潜力。

研究选择了四种常用的AEDs：卡马西平（Carbamazepine, CBZ）、苯巴比妥（Phenobarbital, PHB）、苯妥英（Phenytoin, PHE）和丙戊酸钠（Valproic Acid, VPA）。数据来源于韩国首尔国立大学医院（Seoul National University Hospital, SNUH）的TDM记录（2010–2021年）以及电子病历（Electronic Medical Records, EMR）中的患者诊断信息和实验室检测结果。研究者构建了10种AI模型，包括集成学习模型和深度学习模型，并将其与已发表的人群PK模型进行了对比。结果表明，AI模型在预测AEDs浓度方面普遍优于传统人群PK模型。例如，Adaboost、eXtreme Gradient Boosting（XGB）和Random Forest（RF）等模型在预测CBZ、PHB、PHE和VPA的浓度时，其均方根误差（Root Mean Squared Error, RMSE）分别为2.71、27.45、4.15和13.68 μg/mL，显著低于传统人群PK模型的RMSE值（3.09、26.04、16.12和25.02 μg/mL）。这些结果突显了AI模型在处理高维临床数据时的强大能力，尤其是在识别复杂的非线性关系方面。

研究进一步分析了影响AEDs浓度预测的关键协变量。结果显示，时间因素（Time after last dose）是影响AEDs浓度预测的最重要协变量。此外，剂量相关的协变量（如每日剂量）和体重等也对预测产生了显著影响。AI模型，特别是集成学习方法，能够结合多个模型的预测结果，从而提高整体的准确性和稳健性。这种能力使得AI模型在临床实践中具备更大的灵活性和适应性，尤其是在面对数据不完整或样本分布不均的情况时。

与传统人群PK模型相比，AI模型的优势在于其能够快速适应并处理复杂的数据结构，而无需依赖严格的数学假设。传统人群PK模型的构建通常需要对结构、统计和协变量模型进行深入选择，这一过程既耗时又复杂。此外，当药物的药代动力学（PK）变异较大或仅考虑有限的协变量时，传统模型的预测能力可能受到限制。相比之下，AI模型能够从大量临床数据中学习并提取隐藏的模式，从而在预测精度上表现更优。然而，AI模型在解释性和机制理解方面仍存在一定的不足，这使得它们在某些需要深度解释的场景中不如传统模型。

研究还探讨了AI模型在临床药理学和转化科学中的潜在应用。例如，AI模型可以被整合到电子健康记录系统中，帮助临床医生在优化AEDs剂量时做出更精准的决策，从而减少不良反应的发生。此外，AI模型在处理非连续和不规则的数据输入时表现出更强的适应能力，这使得它们在处理TDM数据时更具优势。然而，AI模型的预测结果仍然需要进一步验证，尤其是在不同人群中的适用性。例如，研究指出，儿童、老年患者或具有不同遗传背景的群体在训练数据中可能被低估，因此需要更多的数据支持来确保模型的广泛适用性。

研究的局限性主要体现在几个方面。首先，AI模型与传统人群PK模型的直接比较可能存在偏差，因为传统模型通常基于特定人群的数据进行开发，而实际应用中的患者群体可能与之不同。其次，AI模型的预测性能可能受到其使用所有协变量的影响，而传统模型仅考虑了部分关键协变量。第三，研究中使用的训练数据主要来源于同一医疗中心，这限制了模型在不同人群中的推广能力。最后，虽然AI模型在处理高维数据时表现出色，但它们在解释模型预测机制方面仍然存在一定的困难，这可能影响其在临床决策中的接受度。

总体而言，本文的研究结果表明，AI模型在预测AEDs浓度方面具有显著优势，尤其是在处理高维临床数据和非线性关系时。集成学习模型如Adaboost、XGB和RF在预测性能上表现尤为突出，能够为临床医生提供更准确的剂量调整建议。然而，AI模型的应用仍需进一步探索，特别是在不同人群和医疗环境中的验证。此外，研究还指出，AI模型与传统人群PK模型并非替代关系，而是可以互补。传统模型在解释性和机制理解方面具有不可替代的价值，而AI模型则在处理复杂数据和快速适应方面表现更优。未来的研究应致力于将这两种方法结合起来，以充分发挥各自的优势，提升药物治疗的个性化水平。

在临床实践中，AI模型的应用不仅能够提高药物浓度预测的准确性，还能够优化治疗方案，减少不良反应的发生。通过自动提取电子病历中的患者信息，AI模型可以快速适应新的数据输入，而无需重新构建模型。这种特性使得AI模型在处理TDM数据时更加高效。然而，AI模型的预测结果仍需结合临床医生的专业判断，以确保其在实际应用中的安全性和有效性。此外，AI模型的透明度和可解释性仍然是其推广的重要障碍，因此研究者们正在探索如何通过可解释AI技术（如Shapley值）来增强模型的可理解性。

研究的最终结论是，AI模型在预测AEDs浓度方面具有显著潜力，能够为临床医生提供个性化的剂量调整建议。尽管传统人群PK模型在某些情况下仍具有不可替代的价值，但AI模型的预测性能更优，尤其是在处理高维数据和复杂模式时。因此，AI模型可以作为传统方法的有力补充，推动精准医学的发展。未来的研究应进一步探索如何将AI模型与传统人群PK模型相结合，以提高药物治疗的个性化水平和临床决策的准确性。