编辑推荐：
为解决个性化给药及提高肾移植患者他克莫司（Tac）浓度达标率问题，来自突尼斯的研究人员开展对比 XGBoost、LSTM 与贝叶斯模型预测 Tac 浓度的研究。结果显示 LSTM 表现最佳，该研究有助于提升患者预后、预防肾排斥。
基于贝叶斯方法和机器学习（ML）算法的模型引导精准给药（MIPD），是实现个性化给药建议、提高每位患者药物浓度达标率的适宜方法。本研究旨在比较两种 ML 方法，即极端梯度提升（XGBoost）和长短期记忆网络（LSTM），与此前开发的他克莫司（Tac）贝叶斯模型，在预测突尼斯肾移植患者术后早期（0 - 3 个月）Tac 浓度方面的性能。
这是一项在突尼斯莫纳斯提尔法图玛?布尔吉巴医院药理学部门开展的横断面研究。研究纳入了在莫纳斯提尔医院肾病科接受肾移植手术，并采用 Tac 免疫抑制方案的患者，这些患者在术后早期（0 - 3 个月）于本部门进行了常规的治疗药物监测（TDM）。
本研究共纳入 56 名成年肾移植患者的 187 个 Tac 给药前浓度（C0）数据。全体患者被分为建模组（n = 39 名患者，119 个C0数据）和验证组（n = 17 名患者，68 个C0数据）。在验证数据集中，贝叶斯方法、XGBoost 和 LSTM 的均方根误差（RMSE）分别为 0.76、0.19 和 0.01，平均绝对误差（MAE）分别为 0.55、0.36 和 0.06 。
研究表明，在预测突尼斯肾移植患者 Tac 浓度方面，LSTM 方法优于 XGBoost 和贝叶斯估计。在临床实践中，术后前 3 个月应用基于 TDM 的 LSTM 模型，可显著改善患者预后，预防该人群的急性肾排斥反应。
