将人工智能与多中心真实世界证据相结合以推进精准给药:一项关键视角的综述
《Therapeutic Drug Monitoring》:Integrating Artificial Intelligence and Multicenter Real-World Evidence to Advance Precision Dosing: A Critical Perspective Review
【字体:
大
中
小
】
时间:2026年10月17日
来源:Therapeutic Drug Monitoring 2.3
编辑推荐:
背景:精准给药整合了患者特定因素以优化药物治疗。然而,目前的证据往往依赖于有限的单一中心研究,这限制了其普遍性。
方法:对关于现实世界证据、药物遗传学、生物标志物、人工智能(AI)以及与精准给药相关的隐私保护数据策略的文献进行了叙述性综述。
结果:由于亚组规模小和当地实践偏差
背景:精准给药整合了患者特定因素以优化药物治疗。然而,目前的证据往往依赖于有限的单一中心研究,这限制了其普遍性。
方法:对关于现实世界证据、药物遗传学、生物标志物、人工智能(AI)以及与精准给药相关的隐私保护数据策略的文献进行了叙述性综述。
结果:由于亚组规模小和当地实践偏差,单一中心的数据不足以提供可靠的精准给药证据。多中心隐私保护系统能够生成更丰富、更具普遍性的数据集,这些数据集将剂量、暴露量、基因型、生物标志物和结果联系起来。然而,多中心合作应与目标人群保持一致,不应无差别地汇总异质数据。安全的汇总环境、联邦学习和合成数据在不同方法中发挥着各自的作用。AI支持暴露量估计、表型提取和复杂关系建模,但需要针对传统方法进行严格的验证。因果推断需要超越预测性能的流行病学严谨性。
结论:推进精准给药需要多中心、特定目的、隐私保护、方法严谨且经过临床验证的数据系统,AI应作为补充工具而非默认解决方案。
引言:精准给药旨在通过整合患者特定的剂量-暴露-反应关系决定因素来个性化药物治疗,从而优化疗效并最小化毒性。治疗药物监测(TDM)、药物遗传学和基于模型的精准给药(MIPD)是这一方法的核心手段;然而,精准给药还包括药效学和安全生物标志物、临床协变量以及治疗方案的动态调整。这一多方面的策略解决了药物反应个体间变异性的挑战,而这仍然是实现最佳治疗结果的主要障碍。TDM通过量化药物浓度或衍生的暴露指标(如浓度-时间曲线下面积AUC)来指导剂量调整。MIPD利用药代动力学或药效学模型、贝叶斯预测和患者特定协变量来估计最有可能达到目标暴露或反应的剂量。药物遗传学提供了关于药物代谢、转运、免疫介导的毒性和靶点敏感性的遗传或获得性决定因素的信息。人工智能(AI)和机器学习(ML)方法已被提出用于促进治疗药物管理和MIPD。最初,ML模型用于从有限样本中估计AUC。药物遗传学的应用已经超越了理论可行性,例如越来越多的药物标签、监管建议和药物机构整理的药物基因组资源,包括氟嘧啶治疗前的DPYD-DPD缺陷检测以及mavacamten的CYP2C19信息处方或监测。最近的临床证据成功证明了这种方法在预防性设置中的可行性和临床效用。一个里程碑式的例子是PREPARE研究,它在欧洲的多中心实施研究中测试了一个12基因药物遗传学面板。FDA-NIH BEST资源为生物标志物、终点和相关工具提供了标准化术语。然而,成熟的方法并不等同于成熟的证据基础。精准给药需要跨不同患者群体和医疗系统建立可靠的将剂量、暴露量、基因型、生物标志物、治疗决策和结果联系起来的证据。尽管随机试验仍然至关重要,但许多精准给药问题涉及长期结果、动态治疗调整、亚组特定效应和依赖背景的实施,这些在小型或短期试验中难以解决。因此,现实世界证据(RWE)对于解决这些复杂问题至关重要。监管机构越来越认识到RWD在评估药物的使用、安全性和有效性方面的重要性。然而,精准给药需要比传统药流行病学研究中通常可用的更详细和全面的RWD形式。具体来说,它需要关于药物给药历史、采样时间、浓度测量、检测方法、基因型、生物标志物轨迹、模型输出、临床建议和患者结果的详细数据。
本研究的中心论点是,单一中心的电子健康记录(EHR)很少足以生成具有普遍性的精准给药证据。相反,临床药理学家应在可行的情况下通过汇总兼容数据来组织多中心、特定目的的学习系统,或者当无法传输患者级数据时使用联邦学习和评估。虽然ML、合成数据、虚拟试验和因果推断方法可以根据预期应用提供有价值的支持,但必须明确证明其附加价值,并且所有验证和临床声明都必须基于独立的真实患者数据。
方法:本研究采用了一种批判性视角的综述,而不是系统评价或meta分析。所包含的文献旨在支持结合RWD、药理学、隐私保护数据策略和AI以改进基于证据的精准给药的框架。该综述涵盖了六个领域:TDM和MIPD;用于治疗药物管理的AI;药物遗传学;生物标志物;RWE和因果推断;以及包括联邦学习和合成数据在内的隐私保护数据策略。优先考虑了经过同行评审的文章、监管或方法学资源以及与精准给药直接相关的示例。“精准给药”一词在本文中用作一个涵盖TDM、MIPD、药物遗传学指导的处方、基于生物标志物的剂量确定和数据驱动的临床决策支持的伞形概念。对于本综述的目的而言,AI主要指的是从数据中算法学习预测、分类或生成功能的ML方法(包括深度学习、自然语言处理和生成模型)。传统的回归、混合效应模型、群体PK/PK-PD模型、贝叶斯估计或标准蒙特卡罗模拟不被归类为AI方法,尽管这些方法可以用作比较对象或与ML结合使用。同样,因果推断和虚拟患者生成被视为应用或目标,而不是AI方法。
构建精准给药的证据基础:精准给药需要的不仅仅是标准RWD。标准RWD来源包括EHRs、保险索赔、登记系统、药房数据库和疾病特定队列(表1)。这些来源很有用;然而,除非它们包含了药理学变量,否则通常不足以进行精准给药研究。精准给药数据集必须包括几个相关领域。
首先,需要以下药物-暴露数据:处方剂量;给药剂量;给药时间;用药途径;制剂;治疗中断;依从性代理;浓度;采样时间;检测方法;以及暴露估计值,如AUC、谷浓度、峰浓度或达到目标概率等。其次,需要患者协变量来解释暴露情况:年龄、体重、性别、肾功能、肝功能、白蛋白、血细胞比容、炎症标志物、器官支持、透析、体外膜氧合、合并用药、疾病严重程度、移植特征、感染状态、肿瘤负担和其他特定背景的变量。第三,当具有临床相关性时,应包含药物遗传学信息。这可能涉及代谢酶、转运蛋白、免疫相关标志物(如HLA等位基因)以及影响药理靶点的变异。当基因型结果改变起始剂量、药物选择、毒性预防或TDM的解释时,药物遗传学最具临床可行性。第四,生物标志物数据应根据其预期用途进行结构化。生物标志物可能是诊断性的、预测性的或预测性的,与药物药效学、监测、反应、安全性、诊断或易感性相关。精准给药不应将生物标志物视为通用实验室结果,其证据状态和决策功能必须明确。第五,决策过程数据至关重要。这些数据包括使用的模型或软件;目标暴露;生成的推荐;推荐的时间;专家解释;推荐是否被接受、修改、忽略或不可用;以及推荐的剂量是否被实际给予。
最后,临床结果应包括疗效、毒性、药物不良反应、治疗失败、疾病治愈、稳定、复发或进展、住院、死亡和以患者为中心的结果。没有这些元素,精准给药就简化为“监测”与“未监测”或“基因分型”与“未基因分型”之类的粗略代理。这种简化可能不足以评估动态治疗策略。
为什么单一中心的EHR很少足够:单一中心的EHR在可行性研究和初步模型开发中很有用;然而,它们很少能够提供具有普遍性的证据。许多高价值的精准给药问题涉及小的亚组,包括具有可操作药物遗传学变异的患者、相互作用的药物、体外支持、肾功能不稳定、严重肝病、低白蛋白血症、炎症、肥胖、儿科、妊娠、移植或罕见的药物不良反应。单个中心往往缺乏进行稳健推断所需的样本量和事件数量。数据受到当地实践的影响。给药政策、采样时间表、检测方法、治疗靶点、基因型检测策略、生物标志物可用性和临床医生行为因机构而异。因此,在一个中心训练的模型可能会学习到当地实践的特异性,而不是可迁移的药理关系。此外,单一中心的EHR往往无法完全捕捉到结果。长期移植物丢失、癌症进展、复发性感染、再次住院、严重毒性、死亡或治疗中断可能发生在索引医院之外。通常需要与索赔、登记系统、国家健康数据或疾病特定网络的链接。
当临床实践相对一致时,因果推断是有限的。如果几乎所有患者都使用相同的给药或监测方案,可能缺乏足够的变异来比较不同方案。多中心数据提供了更广泛的暴露、监测政策、临床背景和结果变化。最后,内部验证是不够的。将本地数据集随机分为训练集和测试集并不能测试数据的可迁移性。精准给药模型应在独立实验室、人群、临床背景和医疗系统中进行外部验证。然而,多中心数据的价值取决于其预期目的、目标人群和模型使用的背景。多中心合作不应等同于无差别地汇总异质人群。对于特定人群的模型,主要目标可能是从多个中心收集足够的数据。将这些患者与更大的普通人群结合在一起而不适当地建模人群差异可能会使模型偏向多数群体,并损害其在目标人群中的表现。因此,当包含异质人群时,应通过研究设计和建模明确解决差异,并分别评估模型的区分度、校准和临床效用。
特定目的的多中心数据用于精准给药:当法律和伦理上可行时,在安全环境中物理数据汇总是最强大的架构。它允许協调管理、共享数据模型、集中质量控制、跨来源的链接以及灵活的因果或预测分析。
PERP-KT研究计划在肾脏移植方面提供了一个相关示例。在法国健康数据枢纽系统中,PERP-KT结合了临床、药理学和国家健康数据,旨在改善免疫抑制疗法的长期使用,包括优化策略、剂量和制剂。这样的基础设施在需要连接TDM数据、移植登记系统、住院数据、索赔、透析事件、移植物失败和死亡等长期结果的领域尤其相关。安全汇总存在限制,如监管负担、数据共享协议、治理问题、协调成本和时间线较长。然而,对于长期暴露-反应研究和因果推断,它提供了单中心EHR无法匹配的分析广度和深度。
联邦学习:当患者级数据无法转移时,联邦学习提供了另一种选择。模型在各个机构进行训练,而数据保持本地化。一项关于医疗保健领域联邦学习的系统评价指出该领域增长迅速,但也指出实际临床应用仍为少数。联邦学习可以支持暴露-预测模型、药物遗传学风险模型、生物标志物-反应模型和毒性预测工具的多中心开发,尽管最近的一篇综述文章未发现相关例子。当多个中心具有相似变量但无法共享原始数据时,这一点尤其有吸引力。联邦学习不是隐私的万能解决方案。模型更新可能会泄露信息,联邦系统需要信任、安全的聚合技术、隐私保护技术和可审计性。
联邦评估:尽管目前很少考虑或使用,但联邦评估可能与联邦学习同样重要。在这种方法中,固定模型或算法由独立的数据提供者在本地进行评估,仅返回总体性能指标。这使得无需传输患者级别数据即可进行序列化的外部验证。对于精准给药,联邦评估可以测试AUC估计模型、药物基因组学决策支持规则或基于生物标志物的给药策略在不同实验室、临床群体和医疗系统中的表现是否一致。
**合成数据:潜力与局限性**
合成数据可以支持软件开发、代码共享、教育、模拟、初步模型训练和虚拟队列生成。然而,合成数据引入了隐私与效用之间的权衡。对医学合成数据的评估强调,评估隐私和效用的方法仍然存在差异,并且没有单一指标能够保证保留具有临床意义的结构。这对于精准给药尤为重要。合成数据可能无法保留罕见的不良事件、极端的暴露值、药物基因组学亚群、生物标志物轨迹或暴露-反应关系中的尾部行为。因此,合成数据应用于开发和模拟,而最终验证和临床声明应依赖于真实患者数据。
**跨精准给药模式的AI**
**暴露估计**
AUC估计是精准给药中最成熟的AI应用之一。在关于他克莫司和麦考酚酸的开创性研究之后,已经开发了几种机器学习(ML)模型,用于从有限的采样策略中估计药物暴露量或确定初始剂量。这些例子表明,在常规约束条件下,AI可以替代或补充贝叶斯药代动力学估计来进行暴露估计。当大型且具有代表性的数据集包含现有药代计量模型无法充分捕捉的信息非线性关系或高维交互作用时,这可能会减少不可解释的变异性。然而,这种改进并不是必然的。残余变异性可能反映了测量误差、不准确的给药或采样信息、不依从性、未测量的生物学决定因素、个体内部变异或无法通过增加模型复杂性克服的随机过程。此外,群体药代动力学(PK)和药代动力学-药效学(PK-PD)模型可以纳入非线性协变量效应、交互作用、时变协变量和层次变异。因此,应通过与外部数据集中的成熟药代计量模型(例如药代动力学或贝叶斯方法)进行直接比较来证明AI/ML的增量价值。混合方法,其中ML组件补充而不是替代机械性的PK-PD结构,可能是一个特别有前景的方向。
**药物基因组学**
AI可以帮助将药物基因组学结果与药物相互作用、实验室值、器官功能、炎症和表型转化因素相结合。然而,药物基因组学AI工具必须基于经过整理的基因-药物知识和临床验证的建议。临床药物基因组学实施联盟(CPIC)强调了标准化基因型-表型-处方转化的重要性。PREPARE研究表明,由药物基因组学小组指导的处方可以在多中心临床环境中进行评估,并能减少临床上相关的不良药物反应。这些例子表明,精准药物基因组学给药必须作为临床干预措施进行评估,而不仅仅是作为预测工具。
**基于生物标志物的给药**
生物标志物可以用于确定资格、起始剂量、监测强度、剂量调整或停药。AI可用于建模生物标志物轨迹、检测早期毒性信号并整合多模态数据。然而,生物标志物具有特定的临床作用。预测性、预测性、药效学和安全生物标志物有不同的证据要求。这表明所需的(真实或模拟的)临床试验的多样性和复杂性以及改进证据基础的难度。
**表型提取与数据整理**
AI和自然语言处理有助于从非结构化的电子健康记录(EHR)数据中提取具有临床意义的信息,包括治疗失败或疾病进展、不良药物反应、毒性、停药原因以及医生对剂量变化的理由,前提是提取算法经过专家审查的验证,并能跨不同环境迁移。在经过初步验证的结果上训练的因果或预测模型可能很复杂,但在临床上不可靠。
**虚拟试验和计算机模拟**
虚拟试验和计算机模拟可以帮助在前瞻性测试前模拟候选的精准给药策略。虚拟患者队列和数字双胞胎已被提议作为支持药物开发、改进试验设计和探索异质治疗效果的工具。虚拟试验可以比较采样计划、AUC目标、药物基因组学测试策略、生物标志物触发的调整或MIPD工作流程。这些试验有助于确定研究重点并优化试验设计;然而,它们不应单独用于确定临床益处。核心问题是因果关系。精准给药决定了某种策略是否优于另一种策略。例如,AUC引导与他克莫司监测、基因型引导与标准处方、生物标志物触发与固定时间表剂量调整或MIPD引导与常规抗生素给药之间的比较。
**目标试验模拟**
Hernán和Robins提出,研究人员应明确指定他们理想中会使用真实世界数据(RWD)进行的随机试验。这种方法对于精准给药尤为重要,因为监测强度、药物剂量和清除率、生物标志物、毒性和疾病严重程度会随时间变化。AI可以通过处理高维协变量、辅助表型提取、建模异质治疗效果和估计干扰函数来支持目标试验模拟;然而,AI不能替代因果设计。在应用预测算法之前,必须先指定目标试验。
**选择和管控分析方法**
当ML不合适时
不应将ML视为每种精准给药问题的默认方法。当已建立的药代动力学-药效学或统计模型提供可比的性能时,简单的模型可能更合适,因为它们更透明、更易于验证,并且更易于在临床实践中实施。实际上,系统比较并未一致证明ML方法在临床预测中优于传统回归模型。ML方法也可能不适合小型数据集、罕见临床结果或在训练数据中代表性不足的群体。算法复杂性无法弥补信息内容的局限性,样本量不足可能导致过拟合、模型不稳定和预测不准确。当先验生物学知识强、数据稀少或需要在剂量、采样计划、年龄组、器官功能类别或临床场景之间进行外推时,机械药代计量模型可能特别有利。相比之下,纯数据驱动的模型通常在其开发的数据生成条件下表现最可靠,但当人口、测量、临床实践或治疗路径的变化导致数据集变化时,它们的表现可能会下降。因此,应通过与其他成熟的药代计量模型(如药代动力学或贝叶斯方法)在外部数据集中的直接比较来证明ML的增量价值。混合方法,其中ML组件补充而非替代机械性的PK-PD结构,可能是一个特别有前景的方向。
关于ML的另一个担忧是其可解释性。所需的解释程度取决于模型的预期用途以及错误建议的后果。在高风险应用中,具有内在可解释性的模型有时可能比带有事后解释的黑盒模型更可取,尤其是在预测性能提升有限的情况下。事后解释方法可能有助于描述输入变量如何影响模型输出;然而,它们并不能证明生物学合理性或因果关系,并可能提供关于模型可靠性的误导性保证。一个有影响力的变量可能代表了医疗保健可及性、中心特定实践、治疗决策或其他未测量因素。因此,解释工具应补充而不是替代临床评估、敏感性分析、外部验证和药理学知识。理想情况下,模型输出应附有关于预测不确定性、缺失或非典型输入数据的信息,或患者是否处于模型验证适用范围内的信息。
**数据共享策略对不同建模方法的影响**
许多关于数据质量、代表性、协调性和外部验证的建议同样适用于ML、传统回归和混合效应模型。算法的选择不能弥补不恰当的研究设计或偏倚数据。此外,合并数据、联邦数据和合成数据对建模方法的影响各不相同。在多中心研究中,混合效应模型可以明确表示中心级别的异质性,而忽略聚类的标准回归模型可能会在不同中心提供不太可靠的预测。基于树和深度学习的方法可以在有限的预先指定下识别复杂的非线性和交互作用;然而,它们也可能学习到中心特定的伪影或其他虚假关联。这些风险需要中心级别的验证和在数据集变化下的性能明确评估。联邦学习可以在不集中患者级别数据的情况下促进多中心模型开发。然而,患者群体、结果发病率、测量程序和样本量在不同中心之间的差异可能会影响模型收敛性和中心特定性能。合成数据可以支持模型开发、预训练或增强;然而,它们也可能复制源数据中的偏见、丢失不常见的模式、引入人为关系或产生隐私风险。因此,应对其真实性、效用、代表性及隐私性进行评估,并不应替代使用真实患者数据的独立验证。
**数据衍生偏差与流行病学方法的需求**
在真实世界数据(RWD)上训练的模型继承了生成这些数据的系统的局限性。数据集的选择可能取决于医疗保健的可及性、临床严重程度、当地处方实践或进行治疗药物监测(TDM)的决定。不同中心、实验室、检测方法和时间段之间的测量可能存在差异。缺失数据比随机性更具信息量。治疗变化受到先前浓度、临床反应和医生判断的影响。因此,从真实世界数据集中学到的关联可能反映了临床实践模式和医疗保健不平等,而非可转移的生物学关系。然而,增加数据集大小并不一定能消除这些问题。大型数据集可以产生精确但系统偏倚的预测,特别是当算法使用的结果或代理反映了医疗保健或资源的获取不平等时。此外,总体性能可能会掩盖代表性不足群体的较差校准或更大的预测误差。因此,模型开发应包括对数据来源、代表性、测量一致性、缺失数据机制、治疗分配过程和临床实践时间变化的文档化评估。RWD中的偏差必须通过严格的流行病学设计和分析来解决。ML算法本质上不能纠正混杂因素、选择偏差、信息性缺失、测量误差、不朽时间偏差或时间依赖的治疗分配。在应用ML之前,研究人员必须在一个明确的流行病学框架内定义临床问题、目标人群、治疗策略、结果、起始时间、随访期和估计量。当目标是因果关系时,目标试验模拟可以帮助对齐这些组成部分并防止常见的设计和分析错误。根据研究问题,可能还需要新的用户和主动比较设计、倾向评分或逆概率加权方法、时间依赖的暴露建模、未测量混杂的敏感性分析和阴性对照分析。特别需要注意时间相关的偏差,因为不适当的队列进入、暴露或随访定义会产生强烈的治疗效果,这些效果在正确的流行病学设计和分析后会消失。数据来源、编码算法、人群选择、暴露和结果定义、链接方法、偏差控制策略和敏感性分析应透明报告。最后,ML可能有助于估计复杂的干扰函数或异质治疗效果,但无法替代适当的流行病学设计或将预测关联转化为因果关系。
**验证和临床实施**
未来的工作应遵循四个原则:
1. **验证必须基于真实数据**:合并数据、联邦学习、模拟和合成数据支持这一发展,但暴露预测模型、药物基因组学算法、生物标志物驱动的策略和临床决策支持工具的验证应使用真实患者数据。
2. **验证应该是多中心的,并与模型的预期目的和目标人群一致**:随机的内部训练-测试划分是不够的。模型应在独立中心、实验室、人群和医疗系统中进行测试,同时与其预期目的、目标人群和使用环境保持一致。性能应在具有临床相关性的群体中单独评估,而不仅仅是从总体结果中推断出来的。这可以在安全的合并环境中或通过联邦评估来完成。
3. **预测和因果推理需要不同的验证标准**:预测模型需要校准、区分度(当相关时)、偏差、不精确性、不确定性量化、亚组性能和临床决策影响。因果分析需要目标试验规范、可交换性评估、阳性结果、缺失数据评估、结果有效性、敏感性分析和临床合乎逻辑的假设。
4. **实施指标是验证的一部分**:精准给药工具是利用数据进行临床目的的算法(表1)。验证应该测试缺失协变量的影响、采样时间准确性以及检测方法的可比性,并评估检测周期、临床医生的接受度、实际给予的剂量、模型漂移以及获取结果的公平性。私营技术公司的角色与激励私营科技公司可以通过提供计算基础设施、网络安全、软件工程和模型部署方面的专业知识来促进精准给药工具和算法的实施,而无需无限制地访问临床数据。安全的数据环境、联合学习以及本地托管的模型可以实现合作,同时医疗机构可以保持数据治理权。商业机会包括基础设施提供、软件许可、受监管的决策支持系统以及与医疗机构和制药公司的合作。然而,监管和验证成本、不确定的报销方式以及针对特定药物或罕见疾病应用的有限市场可能会降低商业兴趣。因此,可能需要公私合作伙伴关系、定向资金支持以及基于实际临床效用的报销机制,并明确规定数据访问、知识产权、透明度、责任和利益共享的相关规则。
当前证据表明,单一中心的电子健康记录(EHR)通常不足以建立可推广的精准给药证据,因为它们受到小型临床亚组限制,反映了当地实践,提供的给药策略变化有限,可能无法代表模型最终将要应用的人群。可靠的证据需要多中心数据架构,将剂量、建议、医生行为、结果及相关暴露预测因素联系起来。人工智能可以支持暴露估计、表型分析、虚拟试验和因果推断,而验证和临床评价仍基于真实患者数据。然而,多中心合作不应等同于无选择地整合异质人群的数据。数据汇编和验证必须与模型的预期目的、目标人群和使用场景相一致。对于针对特定人群的模型,优先事项可能是从各中心收集足够数量的相似患者数据;如果包括更广泛的人群,则应明确处理异质性,并在该目标人群中单独评估性能。一个主要缺失是缺乏可互操作的、纵向的、多中心的精准给药数据集,这些数据集能够关联剂量、采样时间、暴露估计、建议、医生行为、协变量、生物标志物和结果。治疗药物监测(TDM)和药物基因组学数据通常与临床结果分开存储。采样时间和给药历史可能不可靠,生物标志物数据可能缺乏关于其临床作用的标准化注释。这些限制仅通过增加数据集规模或算法复杂性是无法克服的。因此,多中心精准给药基础设施必须包含统一的定义、记录的数据来源、测量一致性以及对缺失值、代表性及临床实践时间变化的明确评估。
不应将人工智能视为所有精准给药问题的默认解决方案。当数据集规模较小、已有较强的药理学知识、需要机制性推断或更简单且更具解释性的模型能提供类似性能时,传统的回归分析、混合效应模型、群体药代动力学/药效学(PK/PD)模型和贝叶斯估计可能更为合适。尽管机器学习方法可以识别复杂的非线性关系和高维交互作用,但它们无法消除由测量误差、给药或采样信息不准确、患者不依从性、未测量的生物学决定因素、个体内变化或随机过程引起的残余变异。因此,应使用外部数据和临床相关的校准、稳健性、可传输性和效用指标来证明其增量价值。结合机制性PK/PD结构和灵活机器学习组件的混合方法可能比完全替代药代动力学模型更有价值。多中心、联合和合成数据的后果也取决于建模方法。混合效应模型可以明确表示中心和患者层面的异质性;然而,非线性和交互作用通常需要预先指定。基于树的方法可以更灵活地捕获这些关系,但可能更倾向于从数据丰富的中心或人群中学习模式,并且在训练范围之外的外推能力较差。深度学习模型尤其耗费数据,能够学习中心特定的测量值、编码或工作流程特征。联合学习可以在不集中患者数据的情况下实现合作;然而,人群、测量结果和中心规模的异质性可能会影响收敛性或 favors 更大的参与中心。因此,无论模型开发是汇总的还是联合的,都应检查中心特定和亚组的性能。
合成数据可以支持软件开发、教育、仿真和数据增强;然而,它们也可能复制偏见、减弱不常见的模式、平滑临床重要的极端值、引入人为关系或产生隐私风险。必须针对具体应用评估其真实性、实用性、代表性和保密性。最重要的是,合成数据不应替代对真实患者的独立验证,也不应成为评估临床有效性或安全性的唯一依据。当模型输出影响高风险给药决策时,可解释性尤为重要。事后解释方法可以帮助描述变量如何影响预测结果;然而,它们只是解释模型行为,而非建立生物学合理性或因果关系,在预测变量相关时可能不稳定。当预测性能相同时,本质上可解释的模型可能更可取。临床决策支持系统应指出预测的不确定性、非典型或缺失的输入,以及患者是否超出模型的验证适用范围。当建议与测量浓度、临床观察或已知药理学知识冲突时,需要合格的临床监督。基于真实世界数据(RWD)训练的模型不可避免地会继承生成这些数据的医疗系统的局限性。灵活的算法可能会复制或放大选择偏见、测量误差、信息性缺失、治疗分配偏见以及特定人群的代表性不足。更大的数据集可能会产生更精确但系统带偏的结果。这些问题必须通过严格的流行病学设计和分析来解决。机器学习本身并不自动纠正混淆因素、不可逆时间偏见、时间依赖的治疗分配或其他影响因果分析的偏见。当目标是估计精准给药策略的效果时,研究者应预先指定目标人群、治疗策略、结果、起始时间、随访以及使用目标试验模拟等方法以及适用于时变暴露和混杂因素的适当方法。机器学习可以补充这些方法;然而,仅凭预测性能无法确立因果有效性。
未来的精准给药证据体系应作为一个学习系统运作,使用安全的汇总平台或在数据无法传输时采用联合学习。人工智能可以帮助进行暴露估计、表型提取、生物标志物轨迹建模和治疗效果异质性的检测;而流行病学和因果推断方法则用于评估精准给药策略是否改善了患者结果。临床药理学家应指导模型的目的、暴露指标、协变量选择、药物基因组学和生物标志物解释、因果问题、验证标准和临床实施。私营科技公司可以在无需无限制访问临床数据的情况下支持精准给药工具和算法的临床应用。安全的环境、联合架构和本地托管的模型使医疗机构能够保持数据治理权。然而,监管和验证成本、不确定的报销方式以及有限的市场可能会限制商业参与。总之,精准给药正超越了孤立的治疗药物监测检测、局部药代动力学模型和单一中心EHR分析。其证据体系应整合治疗药物监测、多指标药代动力学(MIPD)、药物基因组学、生物标志物、人工智能、真实世界证据(RWE)和因果推断,同时保留每种方法的独特作用和局限性。未来的系统应该是多中心的、特定目的的、方法论上严谨的,在真实患者中经过外部验证的,并受到药理学和临床监督。人工智能可以通过提供可证明的附加值来协助这一转变;然而,它不应取代可靠的药物测量学、流行病学或临床判断。
生物通微信公众号
生物通新浪微博
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