超越算法：机器学习与伏立康唑血浆水平的临床决定因素——在治疗药物监测中的应用

《European Journal of Drug Metabolism and Pharmacokinetics》：Beyond Algorithms: Machine Learning and Clinical Determinants of Voriconazole Plasma Levels in Therapeutic Drug Monitoring

一项单中心回顾性研究纳入147名使用伏立康唑治疗超过3天的患者，分析临床、实验室和治疗方案等因素对药物浓度的预测价值。机器学习模型（随机森林、SVM、XGBoost）显示最佳AUC为0.675，仍低于临床应用阈值。研究强调治疗药物监测（TDM）的必要性，建议整合药敏数据和TDM与计算工具的混合模型以提高预测效能。

　　

摘要

背景与目的

伏立康唑是一种广谱抗真菌药物，其疗效和毒性与血浆浓度密切相关，而血浆浓度在个体之间存在较大差异。治疗药物监测（TDM）有助于优化其使用，但并不总是能够实施。在这种情况下，机器学习可以在获得TDM结果之前帮助预测药物浓度是否低于或高于治疗范围。

方法

这是一项在2021年5月至2024年6月期间在西班牙北部一家三级医院进行的单中心回顾性研究。研究对象为接受伏立康唑治疗至少3天且具有稳态血浆浓度测量的成年患者。收集了临床、实验室和治疗相关变量。训练了监督式机器学习模型（随机森林、支持向量机（SVM）、XGBoost等），以将血浆浓度分类为低于治疗范围、处于治疗范围或高于治疗范围。

结果

共纳入147名患者（65%为男性；中位年龄65岁）。71%的患者血浆浓度处于治疗范围，15%的患者高于治疗范围，14%的患者低于治疗范围。根据给药途径、剂型、年龄、肝功能及某些合并症，观察到了显著差异。天冬氨酸氨基转移酶（AST）、肾小球滤过率和给药途径是模型中最相关的预测因素。随机森林模型的性能最佳（曲线下面积（AUC）为0.675），但仍低于临床应用的阈值。

结论

尽管机器学习模型识别出了伏立康唑暴露的相关预测因素，但其预测准确性有限，不足以替代治疗药物监测。TDM对于个体化和安全用药仍然至关重要。整合药物遗传学数据以及结合TDM和计算工具的混合模型可能提高预测性能和临床应用价值。