基于不同有限采样策略的机器学习模型预测重症患者替加环素暴露:LSTM模型实现AUC0-24h准确估计

《Drug Design, Development and Therapy》:Application of Machine Learning Models to Predict Tigecycline Exposure in Critically Ill Patients Using Different Limited Sampling Strategies

【字体: 大 中 小 】 时间:2026年10月15日 来源:Drug Design, Development and Therapy 4.7

编辑推荐:

  背景:替加环素(tigecycline)的药代动力学(pharmacokinetics, PK)高变异性可能影响治疗效果,尤其在重症患者中。本研究引入机器学习(machine learning, ML)方法,旨在阐明其在个体化药物暴露预测中的有效性,并确定最优

  
背景:替加环素(tigecycline)的药代动力学(pharmacokinetics, PK)高变异性可能影响治疗效果,尤其在重症患者中。本研究引入机器学习(machine learning, ML)方法,旨在阐明其在个体化药物暴露预测中的有效性,并确定最优建模策略。
方法:采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)法筛选协变量。利用药代动力学数据集中的98例患者共751个浓度,训练并测试四种ML模型,包括随机森林(random forest, RF)、极端梯度提升(extreme gradient boosting, XGB)、多层感知机(multilayer perceptron, MLP)和长短期记忆网络(long short-term memory network, LSTM),以预测替加环素的24小时稳态血浆浓度-时间曲线下面积(AUC0-24h)。此外,在内部测试集上,研究人员评估了已发表的替加环素群体药代动力学(Population Pharmacokinetics, PopPK)模型的准确性。
结果:LASSO法筛选出7个协变量,包括总胆红素(total bilirubin, TBIL)、肌酐清除率(creatinine clearance, CrCl)、序贯器官衰竭评估(Sequential Organ Failure Assessment, SOFA)评分、体重指数(body mass index, BMI)、血清肌酐(serum creatinine, SCr)、年龄和凝血酶原时间(prothrombin time, PT)。内部验证显示,在四种ML模型中,LSTM模型表现最佳,协变量与血浆浓度特征“C0 + C0.5 + C6”组合具有最优预测性能(R2: 0.887,RMSE: 2.496 mg·h/L,F20: 75%)。相比之下,协变量与C0组合的模型最简洁,更适用于实际计算条件;其LSTM模型在整体趋势拟合和系统偏倚控制方面与某些PopPK模型相当(R2: 0.818,RMSE: 3.164 mg·h/L,F20 = 60%)。
结论:本研究建立的LSTM模型能够准确估计替加环素AUC0-24h。三点采样提供了最低预测误差,而仅C0可降低采样负担。这些发现为替加环素治疗药物监测(therapeutic drug monitoring, TDM)提供了有效的建模参考。
论文解读:

研究背景。替加环素(tigecycline)为广谱甘氨酰环素类抗生素,在复杂腹腔感染、皮肤软组织感染、社区获得性肺炎及多重耐药菌感染治疗中具有重要意义。其临床疗效和安全性密切依赖体内药物暴露水平。重症患者常出现器官功能障碍、血流动力学不稳定和体液分布异常,导致药代动力学(pharmacokinetics, PK)个体间变异显著,常规剂量难以达到最佳暴露目标。2020年国际抗菌治疗药物监测(therapeutic drug monitoring, TDM)文件未将替加环素列入常规监测推荐药物,但其仍在特定人群如肝功能障碍或重症监护病房(intensive care unit, ICU)患者中实验性应用,并发现标准剂量暴露不足。因此,监测和评估重症患者替加环素血浆浓度具有临床重要性。AUC0-24h直接反映替加环素暴露,AUC0-24h/最低抑菌浓度(minimum inhibitory concentration, MIC)与抗菌疗效相关;暴露-反应分析确定部位特异性阈值:复杂皮肤软组织感染≥17.9,复杂腹腔感染≥6.96,医院获得性肺炎≥4.5。毒性方面,ICU队列中稳态最低浓度(Cmin)474.8 ng/mL是替加环素诱导肝毒性的最佳预测指标;近期研究显示,重症感染患者Cmin、峰浓度(Cmax)、给药后6小时浓度(C6)和AUC0-24h均与肝毒性风险增加显著相关,Cmin和C6最佳截断值分别为0.535和0.690 mg/L。估计AUC0-24h需在一个给药间隔内多次采血,临床可行性和侵入性受限。传统群体药代动力学(Population Pharmacokinetics, PopPK)模型多基于密集采样,依赖模型参数全面性和可靠性,并受采样频率和分析限制。近年机器学习(machine learning, ML)可捕获复杂非线性关系、自动筛选高维特征并进行交互建模。已有研究将ML用于抗精神病药、抗癫痫药、抗生素、抗病毒药和免疫抑制剂浓度预测。将ML用于替加环素AUC0-24h预测,有望在稀疏数据条件下提高预测准确性和稳健性。本研究旨在开发并评估ML预测替加环素AUC0-24h的性能,探索最优算法策略,并分析不同TDM采样点数量对模型性能的影响。

关键技术方法(不超过250字):研究为前瞻性观察队列PK数据的回顾性二次分析,样本来自2019年7月至2023年7月ICU患者,经伦理批准并去标识。纳入98例、751个浓度;替加环素每12小时静滴30分钟,第7次给药前及给药后0.5、1、2、3、4、6、12小时采样,采用液相色谱-串联质谱法(LC-MS/MS)测定,定量下限0.01 μg/mL。AUC0-12h按线性梯形法计算并加倍得AUC0-24h。患者按8:2分为训练集78例和测试集20例。缺失值用链式方程多重插补(MICE),LASSO筛选协变量。构建RF、XGB、MLP和LSTM模型,评估C0、C0+C0.5、C0+C6、C0.5+C6、C0+C0.5+C6五种浓度特征。检索已发表PopPK模型,用NONMEM贝叶斯估计,AUC0-24h=每日剂量/CL。评估R2、RMSE、F20、F30、MAPE、MDPE,bootstrap 1000次计算95% CI。

研究结果。
Demographic and Clinical Characteristics:研究共纳入98例接受替加环素治疗的重症患者,收集751个血浆样本。训练集和测试集AUC0-24h分布以小提琴图叠加箱线图展示。人口学特征、给药方案、感染部位、致病病原体、疾病严重程度和暴露指标比较显示,训练集与测试集所有变量无统计学显著差异。
Feature Selection:LASSO采用最小交叉验证均方误差解αmin=0.7500,保留7个非零系数协变量:TBIL、CrCl、SCr、BMI、年龄、SOFA评分和PT。1-SE解α1SE=2.2592仅保留3个协变量,后续模型开发使用最小均方误差解。
Evaluation and Comparison of Models:协变量与五种血浆浓度特征组合输入四种ML模型。五种采样策略中,LSTM模型在四种算法中显示最高点估计R2。“C0 + C0.5 + C6”LSTM模型在内部测试集获得最高点估计R2和最低RMSE(R2=0.887,95% CI 0.693–0.954;RMSE=2.496 mg·h/L,95% CI 1.65–3.38 mg·h/L)。“C0 + C0.5”LSTM模型点估计表现相似(R2=0.885,95% CI 0.687–0.953;RMSE=2.518 mg·h/L,95% CI 1.67–3.45 mg·h/L)。仅C0时,LSTM模型R2=0.818(95% CI 0.527–0.914),RMSE=3.164 mg·h/L(95% CI 2.11–4.28 mg·h/L),F30=90.0%(95% CI 68.3–98.8%),F20=60%。缺乏C0的“C0.5 + C6”组合预测性能显著下降,MAPE升至22.6%。C0+C6的R2=0.819,RMSE=3.157 mg·h/L,提示加入C6未实质性增强预测性能。C0对应临床最常用采样时间点。
PopPK Model Evaluation and Comparison:共筛选14个已发表替加环素PopPK模型,其中4个纳入本队列评估。Model B R2=0.826(95% CI 0.472–0.906),RMSE=3.093 mg·h/L(95% CI 2.497–3.683 mg·h/L);Model C R2=0.830(95% CI 0.473–0.917),RMSE=3.062 mg·h/L(95% CI 2.321–3.739 mg·h/L)。C0 based LSTM模型R2=0.818(95% CI 0.527–0.914),RMSE=3.164 mg·h/L(95% CI 2.11–4.28 mg·h/L)。这些模型与C0 LSTM的置信区间大幅重叠。

讨论总结。本研究比较四种ML算法和五种有限采样策略估计重症患者替加环素AUC0-24h。LSTM在每个浓度特征集内部测试集R2最高;C0+C0.5+C6组合RMSE最低;C0组合最简洁,适合实际计算条件,其LSTM与某些PopPK模型在总体趋势拟合和系统偏倚控制方面相当。该结果符合LSTM操作机制,LSTM源自人工神经网络,适合处理时间序列数据,药物浓度变化本质是时间过程。LSTM核心优势是直接捕获动态序列模式,通过记忆链结构自动学习浓度间时间依赖,不同于依赖手工构造特征的传统ML如XGB。Soeorg H等开发的模型在老年癫痫患者中对丙戊酸钠浓度预测优于传统方法;Khusial R等提出的LSTM-ANN模型在奥氮平浓度预测中有效,可从稀疏采样数据学习,性能与NONMEM相当。本研究中XGB表现不如LSTM,提示LSTM更适合从有限样本数据中提取信息的非线性估计器。TDM常推荐用于个体化抗生素剂量优化;替加环素疗效和毒性平衡受药物暴露和患者特征影响。临床中TDM采样频率受实际和伦理限制,尤其重症患者。AUC0-24h是更全面可靠的暴露指标,但无PopPK模型支持难以准确预测。本研究基于有限采样数据开发替加环素AUC0-24h预测模型,输入必要特征后医生可获得相对准确估计,并与感染部位和病原体特异性AUC0-24h/MIC靶值关联。据研究人员所知,本研究首次系统研究纳入不同时间点血浆浓度数据对替加环素AUC0-24h预测准确性的影响。“C0+C0.5+C6”在训练和测试集表现最优,因捕获C0、C0.5和C6,信息最全面。双浓度“C0+C0.5”与三浓度组合测试集表现相当(R2=0.885 vs 0.887)。单特征C0和“C0+C6”次之,R2分别为0.818和0.819,RMSE分别为3.164和3.157 mg·h/L,提示加入C6未显著增强预测性能。缺乏C0的“C0.5+C6”预测性能显著下降,MAPE升至22.6%,突出C0特征的关键作用;C0恰是临床最常用采样点。PopPK和ML均为模型指导精准给药(model-informed precision dosing, MIPD)实现方法;PopPK药理可解释性强,但处理非线性和高维交互相对受限,ML擅长捕获复杂时序关系和数据结构,但可解释性弱,需更高数据质量和更大样本。本研究含基线特征和单C0的LSTM模型点估计表现良好,仅需一次血浆浓度测定,其性能在内部测试队列与若干评估PopPK模型相当。但LSTM与表现较好的PopPK模型bootstrap置信区间大幅重叠,且PopPK模型最初在不同人群开发,因此当前分析不能确立LSTM优于PopPK,只提示基于ML的有限采样模型可为替加环素暴露估计提供补充策略。需多中心外部验证和独立队列头对头评估确定稳健性、泛化性和相对性能。既往PK研究识别关键协变量如TBIL、CrCl、SCr、BMI和年龄,本研究验证部分变量重要性,并纳入SOFA评分和PT。据研究人员所知,这是首次将这两个指标整合到模型中,其临床合理性明确:SOFA评分通过量化多器官功能障碍严重程度综合反映药物消除器官功能和灌注,解释重症患者替加环素PK个体间变异,是血浆药物浓度关键预测因子;APACHE II在Luo等研究中也纳入替加环素PK模型。机制上,替加环素主要经胆汁排泄,清除率高度依赖肝功能状态;PT作为肝功能敏感指标,常因肝合成能力下降而延长,间接反映药物代谢变化;PT异常还可能提示凝血功能障碍,此类患者病理生理状态通常伴更大PK变异。局限性包括:ML模型基于单中心数据,可能限制向其他人口学和临床实践人群推广;缺乏合适外部数据集,无法外部验证,也无法在独立队列直接比较已发表PopPK模型;实际采样点可能偏离理论采样点,可能降低模型性能,但采用宽采样时间窗符合真实临床实践,既往研究显示理论采样时间偏差相关变量对浓度估计影响可忽略;AUC0-24h通过AUC0-12h加倍获得,虽常用但基于稳态剂量曲线完全对称假设,现实中可能存在偏倚。

研究结论翻译:本研究开发的LSTM算法可基于谷浓度估计个体替加环素AUC0-24h。单谷浓度(C0)策略被推荐为务实最终策略,因为其仅依赖最常规可得的样本,而表现最佳的C0 + C0.5 + C6策略以额外采样为代价仅带来边际获益。鉴于仅评估了药代动力学替代终点且验证为内部验证,该模型应被视为探索性药代动力学预测工具。在模型能够支持常规替加环素TDM或模型引导剂量优化之前,需要外部验证,以及将预测暴露与已验证治疗靶点和患者结局关联的研究。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号