儿科癫痫患者丙戊酸剂量预测：群体药动学模型与机器学习模型的优化比较研究

本研究由北京天坛医院和北京儿童医院的研究人员开展，旨在解决丙戊酸在儿科癫痫患者中剂量预测的难题。通过开发群体药动学(PopPK)、最大后验贝叶斯(MAPB)、多元线性回归(MLR)、机器学习(如Random Forest、XGBoost、LightGBM)及神经网络模型，外部验证显示神经网络准确率最高(F30值>80%)。该研究为减少治疗药物监测(TDM)的侵入性检测、提升丙戊酸治疗安全性与疗效提供了科学依据，推动了个体化用药方案的制定。

　　在这项创新性的研究中，研究者们专注于儿科癫痫患者的丙戊酸(valproic acid)治疗剂量预测，通过比较群体药动学(PopPK)模型和机器学习模型来提升稳态谷浓度(steady-state trough concentration)的准确性。数据源自490名在北京天坛医院和北京儿童医院接受治疗的患儿，采用多种技术开发预测模型，包括PopPK、最大后验贝叶斯(maximum a posteriori Bayesian, MAPB)、多元线性回归(multiple linear regression, MLR)、机器学习（如Random Forest、XGBoost和LightGBM用于特征选择）以及神经网络(neural network)。模型经过严格的外部验证后，发现原始PopPK模型预测性能有限，但转化为MLR后精度提高；当有先验数据时，MAPB方法大幅提升效果；机器学习和神经网络表现更优，其中神经网络的F₃₀值超过80%。研究结论强调了模型优化策略的价值，为预测药物浓度和制定稳定剂量方案提供了先进方法，减少了治疗药物监测(therapeutic drug monitoring, TDM)中频繁、侵入性的血液检测，从而显著提升了儿童丙戊酸治疗的有效性与安全性，支持了个性化治疗计划的发展。