基于机器学习框架实现达托霉素在不同疾病状态下的精准给药

《Antimicrobial Agents and Chemotherapy》:A machine learning framework for precision dosing of daptomycin across diverse disease states

【字体: 大 中 小 】 时间:2026年10月15日 来源:Antimicrobial Agents and Chemotherapy 4.2

编辑推荐:

  达托霉素在不同疾病状态下表现出较大的药代动力学变异性,这对个体化给药构成了挑战。传统的群体药代动力学(PopPK)模型通常局限于特定疾病条件,缺乏泛化能力。本研究采用机器学习(ML)框架预测达托霉素暴露量,并指导异质性人群中的剂量优化。研究人员利用九篇已发表的

  
达托霉素在不同疾病状态下表现出较大的药代动力学变异性,这对个体化给药构成了挑战。传统的群体药代动力学(PopPK)模型通常局限于特定疾病条件,缺乏泛化能力。本研究采用机器学习(ML)框架预测达托霉素暴露量,并指导异质性人群中的剂量优化。研究人员利用九篇已发表的PopPK模型生成了90,000条模拟药代动力学曲线,涵盖感染患者、肾移植患者和接受肾脏替代治疗的患者。研究训练了七种ML算法以预测24小时药时曲线下面积(AUC0–24)。模型性能通过统计指标和临床场景评估进行评价,并与PopPK模型进行比较。外部验证采用真实世界数据。CatBoost展现出最高的预测准确性,识别出剂量、肌酐清除率、疾病状态和体重为关键预测因子。验证队列包括20例感染患者(501个浓度测量值)和19例接受肾脏替代治疗的患者(513个浓度测量值)。在感染患者中,与现有PopPK模型相比,AUC0–24的预测误差降低了60.1%(均方根误差[RMSE]为141 vs 353 mg·h/L;平均绝对百分比预测误差为23.5% vs 58.1%)。ML模型将75.0%的患者正确分类至相应的临床AUC类别(<666、666–939和>939 mg·h/L),优于PopPK模型(平均总体准确率为30.0%)。在接受肾脏替代治疗的患者中,ML同样提升了性能(RMSE为197 vs 218 mg·h/L;总体准确率为52.6% vs 31.6%)。ML模型在异质性临床人群中实现了对稳态达托霉素AUC的准确预测,并通过真实世界数据成功验证。通过实现治疗前的精确暴露预测,该模型为达托霉素的精准给药提供了一条灵活且具有临床实用性的路径。
一、研究背景与现存问题
达托霉素是一种环脂肽类抗生素,获批用于治疗革兰氏阳性菌感染,如复杂性皮肤和皮肤结构感染以及感染性心内膜炎。其对多重耐药病原体包括耐甲氧西林金黄色葡萄球菌(MRSA)和万古霉素耐药肠球菌具有强效杀菌活性,因此在严重和难治性感染的治疗中不可或缺。该药物常用于肾功能严重受损或接受肾脏替代治疗(RRT)的患者,这两种情况均需谨慎调整剂量。此外,达托霉素也广泛用于骨髓炎、化脓性关节炎或血液系统恶性肿瘤相关感染的患者。
达托霉素的药代动力学(PK)表现出显著的个体间变异性,受体重、性别、肾功能(肌酐清除率,CRCL)和特定疾病状态等因素驱动。这种变异性使得实现有效且安全的药物暴露变得复杂,而达托霉素的疗效和毒性又与24小时药时曲线下面积(AUC0–24)密切相关。传统上,针对特定疾病的群体药代动力学(PopPK)模型被用于指导给药。然而,这种方法存在固有局限:针对不同条件(例如一种用于RRT、一种用于血液系统恶性肿瘤等)开发的模型使临床知识碎片化,并增加了临床应用难度,因为临床医生必须首先为特定患者确定最合适的模型。此外,实施这些模型所需的技术专长限制了其在临床实践中的可及性。
为克服碎片化、疾病特异性模型的局限性,研究人员假设可以通过整合现有PopPK知识建立一个统一框架。机器学习(ML)非常适合此任务,因为它能高效地从大型异质性数据集中学习,并在无需预设结构假设的情况下发现复杂的非线性关系。因此,本研究旨在开发并验证一个基于ML的框架,该框架整合多个已发表的PopPK模型,以预测跨多种疾病状态的达托霉素暴露量(AUC0–24)。目标是创建一个单一、稳健的工具,超越传统模型的界限,最终为不同临床人群的达托霉素精准给药提供更具泛化性和实用性的策略。
二、主要关键技术方法
研究人员通过PubMed数据库系统检索已发表的达托霉素PopPK模型,最终纳入九项经过验证的研究,涵盖肾移植受者、接受RRT的患者、肾功能不全患者以及各类感染患者(MRSA、骨关节感染、严重感染)。研究基于这九个模型生成了9,000名虚拟患者,其连续协变量(如体重、年龄、血清白蛋白ALB、CRCL)根据临床数据库分布进行模拟,分类协变量(性别)随机分配。通过蒙特卡洛模拟,每名虚拟患者接受10种给药方案(4、6、8、10或12 mg/kg,每24或48小时一次),共生成90,000条稳态药代动力学曲线,并使用梯形法计算AUC0–24。模拟数据集按80%/20%比例分为训练集和测试集。研究人员评估了七种ML算法(随机森林回归器、岭回归、套索回归、弹性网络、K近邻回归器、决策树回归器和CatBoost),其中CatBoost因表现最佳被选为最终模型。模型特征重要性通过Shapley加法解释(SHAP)进行量化。外部验证数据来自山东大学齐鲁医院重症监护室(ICU)的真实世界患者,包括20例严重感染患者和19例接受RRT的患者,每位患者采集至少五个血样,通过非房室分析(NCA)计算个体AUC0–24作为参考值。
三、研究结果
数据集构建
共从9,000名虚拟患者生成了90,000个AUC0–24数据点,中位AUC0–24为684 mg·h/L(范围:142.3–3,861 mg·h/L),中位体重为70.4 kg(范围:42.0–108.8 kg)。
ML模型构建
在七种ML算法中,CatBoost回归器展现出最佳的预测精度,在测试集上取得了最低的均方根误差(RMSE=163.82 mg·h/L)和最低的平均绝对百分比误差(MAPE=14.77%),决定系数R2最高(0.896),因此被选为最终模型。SHAP分析显示,对模型输出贡献最大的特征依次为:给药间隔、剂量、CRCL、疾病状态、体重、ALB、性别和年龄。其中,剂量、体重和ALB与AUC0–24呈正相关;CRCL和给药间隔与AUC0–24呈负相关。疾病特异性效应表现为:接受RRT或患有严重感染的患者AUC0–24较低,而肾移植患者的AUC0–24较高;女性患者的AUC0–24略高于男性。
真实世界数据验证——感染患者
在20例感染患者(501个浓度测量值)中,ML模型实现了MAPE为23.5%、RMSE为141 mg·h/L。在临床场景评估中,模型在AUC0–24低于666 mg·h/L范围内的预测准确率为78.6%,在666–939 mg·h/L范围内为50.0%,在高于939 mg·h/L范围内为100.0%,总体准确率达75.0%。
真实世界数据验证——RRT患者
在19例接受RRT的患者(513个浓度测量值)中,ML模型产生了MAPE为22.2%、RMSE为197 mg·h/L。在三个AUC类别中的预测准确率分别为50.0%、85.7%和16.7%,总体准确率为52.6%。
与PopPK模型的性能比较
在感染患者中,五种PopPK模型的平均MAPE为58.1%,平均RMSE为353 mg·h/L。相比之下,ML模型的RMSE降低了60.1%。PopPK模型的平均总体分类准确率为30.0%,而ML模型将其提升了150%至75.0%。在RRT患者中,PopPK模型的RMSE为218 mg·h/L,总体准确率为31.6%;ML模型的RMSE降至197 mg·h/L(降低9.6%),总体准确率提升至52.6%(增加66.5%)。
四、讨论与结论
讨论
本研究中开发的ML模型成功预测了不同疾病状态下达托霉素的暴露量,并通过真实世界临床数据展示了其强大的预测性能。鉴于病理条件下达托霉素PK的巨大变异性,这种综合方法为优化初始剂量选择提供了实用工具,弥补了传统疾病特异性方法的不足。模型识别出的关键预测因子(剂量、CRCL、给药间隔、体重和疾病状态)与已知的药代动力学知识一致,支持了模型输出的生物学合理性。训练数据通过整合九个来自不同人群的PopPK模型生成,而集成ML方法的关键优势在于其能够识别这些不同疾病状态间的相似性并进行智能分类。与传统单列PopPK模型相比,ML模型在预测准确性上取得了显著改善。然而,研究人员指出,ML模型的优越性能应谨慎解读:其是在大量模拟数据上训练的,整合了多个人群的PK信息,而非表明ML本质上优于PopPK建模。PopPK模型通过预定义的房室结构和微分方程描述药物处置,在同时考虑多种疾病状态、给药方案和协变量时,可能难以构建单一模型完全捕捉其组合及潜在的非线性效应;而ML模型可直接从大型异质性数据集中学习这些关系。因此,所提出的模型更适合被视为在治疗药物监测(TDM)结果可用之前估计暴露量的工具,而非PopPK精准给药的替代品。PopPK模型还能提供单个ML点估计无法获得的信息,如个体AUC估计的分布或预测区间,以及参数和协变量的临床可解释性。先前Woillard等人的工作也探索了ML算法用于达托霉素剂量预测,而本研究通过纳入合并症这一临床相关挑战扩展了这一概念。ML相对于单个PopPK建模的优势在于其灵活性和可扩展性,能够整合多样化变量并检测复杂非线性关系。在临床实践中,该模型可在治疗开始前整合患者特征以预测目标AUC0–24,从而指导个体化剂量选择。未来目标是将这些功能整合到临床决策支持平台中。研究局限性包括:外部验证数据集仅包含RRT和感染患者,未评估其他亚组(如不同程度肾功能不全、肾移植等);模拟数据集变异性通常低于真实世界队列;ML模型未与基于可比个体水平数据开发的统一PopPK模型进行比较。未来工作应扩大数据集覆盖更广泛人群,并探索结合机制性PopPK建模与ML方法的混合方法。
结论
总之,该集成ML框架代表了传统定量药理学的有力补充。研究结果表明,ML能够实现对达托霉素暴露量的稳健且临床相关的预测,从而为复杂疾病状态患者的个体化剂量优化奠定了基础。将该模型转化为用户友好的临床平台有望增强精准给药并改善治疗结局。
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