基于药物方案复杂度的ICU药师干预预测模型：机器学习与传统回归分析的比较研究

《JAMIA Open》：Prediction of pharmacist medication interventions using medication regimen complexity

本研究针对ICU患者药物管理复杂、药师资源分配不均的难题，开发了基于药物方案复杂度（MRC-ICU）和疾病严重程度（SOFA/APACHE II）的药师干预预测模型。通过比较随机森林、支持向量机等机器学习方法与传统回归模型，发现支持向量机在常规干预预测中表现最优（MAE=4.71），而逐步回归对极端值预测更具优势。该研究为ICU药师工作量量化管理和临床资源优化配置提供了创新方法框架。

　　

在重症监护室（ICU）中，药物治疗犹如走钢丝——既要挽救生命，又面临药物不良反应和用药错误的双重风险。据统计，每6例ICU用药错误就需要药师介入纠正，而重症监护药师（CCP）的规范化干预能使可预防性药物不良事件降低70%。然而现实情况是，药师资源短缺与患者数量波动之间的矛盾日益突出，导致不同ICU患者获得的药学服务存在显著差异。这种不确定性使得如何精准预测药师工作量、优化人力资源配置成为ICU管理的重要课题。

传统上，医疗机构通常依赖疾病严重程度评分来评估医疗资源需求，但这类指标是否适用于药师工作量的预测尚不明确。值得注意的是，由美国学者开发的药物方案复杂度-ICU（MRC-ICU）评分工具，通过量化35类药物的使用情况（如万古霉素计3分，去甲肾上腺素计1分），能够更直接地反映药师所需的认知服务强度。前期研究显示，MRC-ICU评分与患者预后（死亡率、住院时间）和药师工作量均存在显著相关性，但其预测效能是否优于传统评分，以及机器学习方法能否进一步提升预测精度，成为本研究关注的核心问题。

为回答这些问题，研究团队开展了一项大规模回顾性队列研究，数据来源于俄勒冈健康与科学大学（OHSU）医院2020年6月至2023年6月期间收治的13,373例ICU成人患者。研究主要比较了六种预测模型的表现：包含全部变量的负二项回归模型、逐步选择变量的回归模型、仅包含SOFA和MRC-ICU的简易模型，以及三种监督式机器学习模型（随机森林、支持向量机和XGBoost）。所有模型均使用入院24小时内收集的患者 demographics（人口统计学特征）、疾病严重程度评分和药物复杂度数据进行训练和测试。

关键技术方法包括：1）基于电子病历（EHR）的回顾性数据提取与多变量插补处理；2）MRC-ICU评分系统的应用与验证；3）药师干预的标准化分类（49个类别）与强度量化（低/中/高权重分别为1/5/25分）；4）机器学习模型的5折交叉验证与超参数优化；5）采用均方根误差（RMSE）、平均绝对误差（MAE）和对称平均绝对百分比误差（sMAPE）等多指标评估模型性能。

研究结果

患者特征与干预模式

研究队列平均年龄为59.8±17.4岁，APACHE II评分9.1±4.1，24小时MRC-ICU评分5.3±3.9。整个ICU住院期间，平均每例患者接受4.7±7.1次药师干预，干预强度评分为24.0±40.3。单变量分析显示，较高的MRC-ICU评分（RR=1.10）、SOFA评分（RR=1.12）和机械通气（RR=2.59）均与干预次数增加显著相关。多变量模型进一步证实，MRC-ICU每增加1分，干预次数增加4%（RR=1.04）。

模型性能比较

在预测干预数量方面，所有机器学习模型均优于简易的SOFA-MRC模型。随机森林的RMSE最低（9.26），而支持向量机在MAE（4.71）和sMAPE（35.90%）指标上表现最佳。值得注意的是，当排除5%的极端异常值后，支持向量机和XGBoost在常规范围内的预测误差显著降低（sMAPE降至30.57%），说明机器学习方法对典型病例的预测更为精准。

特征重要性分析

通过SHAP值解析发现，在机器学习模型中，24小时SOFA评分、MRC-ICU评分和机械通气状态是影响预测的最重要变量。这一发现与临床认知高度一致，证实疾病严重程度和药物复杂度共同决定了药师工作量需求。

亚组与误差分布

按干预量分级（高/中/低）的亚组分析揭示，不同模型在各亚组的性能存在差异：支持向量机在低-中等干预组预测更准确，而随机森林和回归模型对高干预患者的预测更具优势。这种互补性提示在实际应用中可结合使用多种模型。

讨论与意义

本研究首次系统评估了机器学习方法在预测ICU药师干预方面的应用价值。结果表明，虽然机器学习模型整体性能与传统回归相当，但其在处理非线性关系和常规病例预测方面展现独特优势。支持向量机凭借稳定的多指标表现，可作为临床优先选用的预测工具；而逐步回归模型因较好的可解释性，适用于需要明确变量关联性的场景。

实践层面，该预测框架为ICU药学服务的精细化管理提供了新思路。医疗机构可利用模型结果：1）动态调整药师排班，应对工作量波动；2）识别高风险患者，实现干预前置化；3）为多学科团队配置提供数据支持。方法学上，研究提出的干预强度量化体系（低/中/高权重评分）突破了传统仅计数干预次数的局限，更准确地反映了药师认知劳动的差异。

研究也存在一定局限性。单中心设计和依赖药师自主记录干预可能引入偏倚；此外，不同机构间干预记录标准的差异限制了模型的直接推广。未来需通过多中心验证和标准化文档系统（如采用本研究使用的分类框架）进一步提升模型的普适性。

这项发表于《JAMIA Open》的研究标志着ICU药学服务量化管理的重要进展。通过将药物复杂度评分与机器学习算法相结合，不仅为药师工作量预测提供了科学工具，更深远的意义在于推动药学服务从经验性分配向数据驱动模式的转型，最终实现医疗资源优化与患者安全提升的双重目标。