小样本真实世界数据与大样本虚拟数据在群体药代动力学模型评估中的等效性验证

来自麦吉尔大学健康中心的研究人员针对群体药代动力学(PK)模型外部验证的样本量争议开展研究，通过对比13例真实患者数据与1000例虚拟人群数据，证实小样本临床数据集可有效评估模型预测性能（偏差<3%，不精密度<24%），为临床PK研究提供高效评估方案。

　　

这项开创性研究打破了传统认知——群体药代动力学(PopPK)模型验证是否必须依赖大样本数据？科研团队巧妙设计双轨实验：一方面收集麦吉尔大学健康中心(MUHC)13名75岁以上接受哌拉西林/他唑巴坦治疗的老年患者真实数据，另一方面通过蒙特卡洛模拟(Monte Carlo simulation)生成1000例虚拟患者队列。

研究团队采用Ishihara模型进行验证时发现惊喜：真实小样本与虚拟大样本的预测误差分布无显著差异（p>0.05）。具体而言，该模型在真实数据中展现惊人准确性——群体偏差仅2.4%，个体预测偏差低至0.5%。而作为对照的Hemmersbach-Miller模型则暴露出系统性偏差，在真实数据中群体预测偏差高达-37.8%，有趣的是，这种偏差模式在虚拟数据中同样显现（-28.4%）。

通过预测校正可视化验证(pcVPC)和拟合优度图(GOF)双重检验，研究者捕捉到关键现象：模型误判特征在13例真实患者和1000例虚拟患者中高度一致。这如同在药代动力学领域投下震撼弹——当评估方法足够灵敏时，小样本临床数据就能像探针般精准揭示模型缺陷。

这项研究为资源有限的临床PK研究指明新方向：不必执着于大样本，精心设计的15例左右高质量数据配合先进验证方法（如pcVPC），即可实现可靠的模型外部评价。特别对老年患者这类难招募群体，该发现显著提升研究可行性。