《CPT: Pharmacometrics & Systems Pharmacology》：Machine Learning–Augmented Precision Dosing: Integrating Pharmacokinetic Modeling With Clinical Decision Support
编辑推荐：
药物暴露的个体间差异可能导致治疗无效或毒性反应，尤其在易感患者中更为显著。常规的模型引导精准给药（MIPD）主要依赖群体药代动力学（PopPK）模型、贝叶斯预测和治疗药物监测（TDM）。生理药代动力学（PBPK）建模在向特殊人群外推、评估药物相互作用以及模拟未
药物暴露的个体间差异可能导致治疗无效或毒性反应，尤其在易感患者中更为显著。常规的模型引导精准给药（MIPD）主要依赖群体药代动力学（PopPK）模型、贝叶斯预测和治疗药物监测（TDM）。生理药代动力学（PBPK）建模在向特殊人群外推、评估药物相互作用以及模拟未观测场景方面具有补充作用，但在床旁剂量调整中的应用仍不普遍。当危重疾病、器官功能障碍或多药联用产生复杂的非线性关系时，机器学习（ML）可能提供额外支持。电子健康记录、真实世界数据和高维生物医学数据集的可及性日益增加，加速了ML在精准给药领域的应用兴趣。ML可支持暴露预测、有限采样曲线下面积（AUC）估算、结局风险分层以及监测优先级排序。其临床角色取决于决策目标、浓度数据的可获得性以及药理学约束是否保留在建模架构内。本综述涵盖直接预测模型、有限采样AUC估算器、混合药理学-ML模型、神经常微分方程方法以及用于序贯剂量决策的强化学习。研究人员考察了糖肽类、β-内酰胺类、多黏菌素类、三唑类抗真菌药和免疫抑制剂的数据来源、特征工程、验证、报告及治理。研究人员还描述了一个阶段性临床工作流程，其中浓度测量和机制模型用于校准数据驱动预测，并明确了临床实施所需的证据。
1 引言
1.1 个体化给药的临床挑战
药物治疗的根本目标是最大化疗效同时最小化毒性。然而，药代动力学（PK）和药效学（PD）显著的个体间差异仍是常规临床实践中的持续挑战，尤其对于危重症患者、老年人、器官功能障碍者及接受多药联合治疗的人群。在这些复杂情境下，固定剂量方案或仅基于体重及肾功能的简单调整往往无法充分解释如此广泛的变异性。当前实践中，个体化给药主要依赖于PopPK模型结合贝叶斯预测及浓度引导下的TDM。这些方法将群体变异、患者协变量和观测浓度相结合，以估算个体暴露水平。PBPK建模服务于不同目的：可支持儿童及其他特殊人群的群体剂量选择、评估药物相互作用以及模拟前瞻性研究不常见或不安全实施的生理场景。其广泛的参数化需求、验证要求及有限的床旁应用使其区别于常规个体化MIPD的成熟工具。传统的谷浓度导向TDM可能具有被动性，且无法完整反映总暴露量。这一局限性应与贝叶斯MIPD加以区分——后者可在稳态前利用稀疏样本估算个体参数和AUC，前提是采样设计具有信息量且基础模型经过充分验证。因此，早期估算的可靠性取决于药物特性、采样时机、检测质量、先验模型性能以及患者自身生理变化的幅度。
1.2 模型引导精准给药与机器学习的兴起
MIPD结合了合格药理学模型、患者特定信息、可用时的药物测量值以及明确的治疗靶点，用以指导剂量选择。贝叶斯估算是许多临床实施方案的核心，因为它能用稀疏的患者观测值更新群体先验信息。它可能在稳态前支持剂量调整，但仅当采样设计、模型校准和药物特异性信息足够充分时才成立；早期估算不应被解读为在所有药物或场景中均普遍可靠。与此同时，电子健康记录（EHR）、真实世界数据（RWD）和高维生物医学数据集的快速扩展加速了机器学习（ML）融入临床决策支持系统。ML算法特别擅长分析大规模异质性数据集并识别复杂的非线性关系，从而支持药物暴露预测、个体参数估计和自动化给药建议。然而，单纯提高预测性能并不能决定ML在精准给药中应如何被使用。直接ML、混合药理学-ML模型以及机制嵌入型神经网络在外推能力、可解释性和数据需求方面存在差异。因此，其临床价值应针对特定决策问题进行评判，而非通过笼统的替代与增强二分法来判断。
1.3 机器学习与药代动力学框架的整合
混合药理学-ML建模现已超越上游参数估计和下游残差修正的范围。PK/PD模拟可用于扩充稀疏训练数据，而模型衍生的参数和预测可为ML提供生理学依据的特征。例如，PK/PD增强的化疗诱导中性粒细胞减少症预测、PopPK生成的英夫利西单抗浓度预测合成数据，以及更昔洛韦和缬更昔洛韦的模拟训练起始剂量选择。PBPK-ML整合与药物开发和外推相关，但当前的床旁应用更常依赖PopPK和贝叶斯模型。混合方法已在选定的治疗领域改善了暴露或结局预测，但其临床准备程度各异。多数研究为回顾性研究，依赖本地数据管道，且未测试预测结果是否能改变剂量决策或患者结局。临床转化需要为每个模型输出定义明确的操作、进行前瞻性外部验证、提供不确定性估计，并与处方、实验室及药师审核工作流相整合。
2 本综述的范围与结构
本叙述性综述界定了ML、PK与临床剂量决策支持之间不断演进的交叉领域。通过综合近期方法论研究和临床研究的发现，讨论围绕五个核心维度展开：（i）建模策略与整合路径；（ii）数据来源与特征工程；（iii）模型评估、报告标准与偏倚评估；（iv）代表性治疗领域；以及（v）转化挑战与未来方向。鉴于不同药物类别和临床环境下证据成熟度的异质性，本综述优先关注方法学可重复性、外部验证和临床可实施性，而非孤立比较算法性能。
3 精准给药中的机器学习策略
3.1 直接ML预测模型
直接ML模型在不施加显式房室结构的情况下估算药物暴露或给药结局。它们学习患者特征、给药史、时变测量值与预设目标之间的经验关系。这种灵活性能够捕捉难以编码为传统协变量函数的非线性交互作用，但也使得预测依赖于训练时所代表的临床实践和数据分布。常见的预测目标包括特定时间点的药物浓度、AUC或谷浓度等暴露指标，以及清除率和分布容积等关键PK参数。在某些临床背景下，这些模型可直接提供剂量建议。输入特征通常来自EHR、TDM数据和用药记录。纳入肾功能、尿量、炎症标志物、血流动力学变量及器官支持模式等时变指标对模型稳定性至关重要。虽然传统树基算法常用于结构化数据集，但循环或注意力架构越来越多地被用于处理纵向给药历史。直接预测模型在浓度数据不可得的先验阶段以及完整浓度-时间曲线不切实际的有限采样场景中可能有用。直接ML依赖于训练数据所代表的分布。罕见生理状态、器官支持的异常组合及极端协变量值可能代表性不足，因此良好的平均性能可能掩盖边缘区域的不安全错误。PopPK和PBPK模型可通过模拟罕见但临床相关的场景来弥补这一局限。
3.2 混合ML-药代动力学模型
PopPK模型和贝叶斯预测仍然是床旁MIPD的主要机制基础，因为它们通过可解释的参数将剂量、时间、协变量、浓度和暴露联系起来。PBPK模型提供了更广泛的生理表征，尤其适用于外推、相互作用评估和特殊人群模拟，但常规的患者层面剂量更新仍不常见。混合ML策略应根据数据驱动组件与PopPK、PK/PD、PBPK或贝叶斯模型的接口方式进行分类。混合策略可分为四个实用类别：ML估算协变量-参数关系；机制特征丰富或模拟数据增强；药理学预测的残差修正；以及嵌入连续时间模型（其中神经网络学习动力系统的部分）。每种类别保留了不同程度的药理学结构，并对训练数据、外推测试和可解释性提出了不同要求。混合建模并不能消除外推风险。混合模型应说明在观测域内哪个组件主导预测、哪个组件约束外推，以及不一致时如何向临床医生展示。
3.3 跨先验和后验决策阶段的ML
每种ML策略的相关性随治疗路径而变化。在获得药物浓度之前，模型可估算初始暴露、标记目标未达标的高概率或优先安排早期采样。在获得浓度后，贝叶斯更新或有限采样AUC估算可重新校准预测。在治疗后期，纵向模型可识别清除率变化、预测目标达标的丧失或在器官功能或合并用药变化后触发重新评估。在先验阶段，临床可操作的输出不仅仅是预测浓度。模型应将预测与有边界的操作联系起来，如在指南允许的初始方案中进行选择、提前安排TDM或药师审核。在后验阶段，浓度测量提供了患者特定的锚点。ML可利用有限采样设计估算AUC、学习贝叶斯估算后的残差偏差，或识别需要更早重新采样的轨迹。这些阶段意味着具体的分工：EHR提供协变量和用药时间；ML模块生成风险评分或初步暴露估计；实验室浓度更新患者特异性估计；PopPK/贝叶斯引擎模拟候选方案；药师或处方医师在审核推荐意见、不确定性和相关安全警报后下达剂量指令。
4 ML驱动精准给药的数据基础设施
ML在个体化给药中的表现取决于底层数据的来源、质量和临床背景。真实世界记录具有异质性、纵向性，并受局部流程影响。它们提供多维协变量，但也编码了缺失、测量噪声、治疗选择效应和中心特定工作流。因此，在模型开发前必须明确数据来源、时间对齐方式和预期决策节点。
4.1 真实世界临床环境中的数据来源
ML驱动的精准给药需要基线特征、用药管理、动态实验室数值、浓度测量和后续剂量变化的时间对齐链接。EHR变量、实验室数据和TDM测量构成核心输入，但其可用性和含义取决于本地工作流。模型开发应区分决策时可获取的信息与之后记录的信息，以防止时间泄漏。在高度异质的环境中，全面的临床数据基础设施为ML-PK模型开发提供了必要基础。对于某些药物，EHR衍生特征在机制或混合框架内的整合增强了复杂患者群体的预测性能。由PopPK、PK/PD或PBPK模型生成的模拟数据可支持算法开发、压力测试以及对罕见或极端场景的探索。然而，合成数据继承了生成模型的假设和误设，因此应用于补充而非替代真实世界队列中的独立验证。
4.2 特征工程与变量选择
模型稳健性最终由数据质量和结构一致性决定。缺失值、测量误差、记录粒度不一和时间戳错位在临床环境中普遍存在。若不严格处理，这些伪影可能诱导模型学习统计上有效但生理上不可信的关联。缺失数据处理和有限采样设计直接影响模型有效性。树基方法可容忍部分缺失，但缺失通常反映本地护理流程，不应被视为纯技术特征。变量选择应优先考虑药物清除和分布的生理相关决定因素，避免过度依赖实践依赖性或中心特异性特征，因为这些变量会严重损害模型的可移植性。
4.3 模型评估与外部验证
模型评估是方法创新与临床实施之间的决定性门槛。内部交叉验证虽为基础要求，但不足以证明在异质医疗环境中的泛化性。为确保可移植性，跨不同中心和患者群体的外部验证不可或缺。前瞻性评估（若可行）提供了模型真实世界效用最有力的证据。预测模型研究应遵循TRIPOD+AI并使用PROBAST+AI评估偏倚风险和适用性；干预试验应遵循SPIRIT-AI和CONSORT-AI。评估指标必须与精准给药的实际目标对齐，应包括目标暴露达标率、达到治疗范围所需时间、检出超/亚治疗暴露的灵敏度，以及减少冗余采样等工作流相关指标。
4.4 数据治理与隐私考量
数据治理和隐私保护构成了ML精准给药模型开发和传播的基本结构性约束。差分隐私和联邦学习等隐私保护方法已成为无需直接交换原始患者数据即可进行协作模型训练的可行解决方案。精准给药领域的数据治理应向兼顾患者保密性与多样化、代表性训练数据需求的数据管理模式迈进。
5 临床应用领域
当前证据集中在治疗窗窄、PK变异大且暴露依赖性疗效或毒性明显的药物上。ML的适当角色因药物和决策而异：早期暴露预测、有限采样AUC估算、毒性风险分层和纵向监测不应被视为单一干预措施。
5.1 抗感染药物
抗感染治疗是ML辅助给药最早且研究最深入的领域之一。这些药物常用于急性病情迅速变化的患者群体，个体间PK变异显著，暴露控制直接关系到治疗成功和毒性预防。
5.1.1 糖肽类
万古霉素和替考拉宁是ML辅助给药证据最成熟的领域。万古霉素实践已从谷浓度导向监测转向AUC导向给药。ML研究针对不同目标：部分模型在浓度可用前预测初始剂量或AUC达标情况，而许多深度学习研究预测未来谷浓度或单次浓度。混合ML-PopPK或ML-贝叶斯模型可在保留暴露模拟的同时优化参数估计或残差误差。尽管发表数量众多，大多数万古霉素ML研究为回顾性研究，且许多使用本地采样和处方模式。在部署前需要进行跨中心验证、临床重要AUC阈值的校准以及与当代贝叶斯AUC导向给药方案的比较。
5.1.2 β-内酰胺类
β-内酰胺类药物在严重感染和脓毒症管理中仍为基础用药。在危重症患者中，病理生理改变可能显著改变药物处置。随机证据表明，未经患者分层的MIPD未必能转化为改善的总体临床结局。在此背景下，ML应用主要沿两个方向：一是整合常规ICU变量估算个体清除率或浓度-时间曲线的暴露预测与剂量优化模型；二是探索目标达标概率建模和暴露导向的风险分层。目前β-内酰胺类药物的ML研究仍主要为探索性，缺乏高质量的前瞻性结局数据。
5.1.3 多黏菌素类
多黏菌素类治疗窗极窄，肾毒性发生率高，在危重症患者中PK变异显著。当前共识推荐稳态AUC作为主要暴露目标。ML应用主要集中在两个领域：一是整合肾功能标志物、合并用药和器官支持变量的暴露或清除率预测模型；二是构建基于ML的肾毒性预测模型。与糖肽类抗生素相比，多黏菌素治疗中的ML更常定位于毒性风险评估而非精确剂量重新校准。证据基础仍属初步，多为回顾性、单中心分析，外部验证有限。
5.2 三唑类抗真菌药
伏立康唑和泊沙康唑等三唑类抗真菌药暴露变异大，治疗窗相对较窄。伏立康唑PK呈非线性，受肝功能、炎症状态、药物相互作用和CYP2C19多态性等多重因素影响。ML应用主要集中于多维整合和混合建模策略。在先验设定中，纳入EHR衍生变量和药物基因组信息的模型已被开发用于预测个体暴露或谷浓度。混合ML-PK方法作为一种有前景的策略正在兴起，其中ML组件优化个体参数估计或校正残差预测偏差。三唑类抗真菌药代表了多重决定因素的暴露场景，ML的主要优势在于综合遗传和动态临床变量。
5.3 免疫抑制剂
钙调神经磷酸酶抑制剂，特别是他克莫司，治疗窗窄，个体间和个体内变异大。ML研究利用受体特征、药物基因组数据、术后实验室数值和稀疏浓度预测他克莫司剂量需求、谷浓度或剂量间隔AUC。霉酚酸提供了另一个免疫抑制剂实例。在独立的完整PK数据集中，XGBoost模型利用两到三个浓度估算他克莫司或霉酚酸的AUC，展示了有限采样应用而非无浓度剂量自动化。在移植药物治疗中，ML可支持初始剂量选择、有限采样暴露估算和纵向识别不稳定暴露。
5.4 传统TDM与ML辅助个体化给药的比较总结
在不同治疗领域中，精准给药挑战在时间尺度和临床目标上各有不同。抗感染药物主要要求在快速变化的急性环境中实现早期暴露控制，而免疫抑制剂则强调纵向稳定性和个体内变异管理。ML在不同治疗领域有若干不同的定位：浓度可用前的先验风险分层、有限采样暴露估算、贝叶斯预测后的残差修正以及生理变化的纵向警报。
6 将预测模型转化为临床决策支持
6.1 超越预测准确性
转化问题在于预测是否能改变定义的临床操作并改善结局。较低的浓度预测误差是不够的，除非它能改变剂量选择、采样、毒性监测或升级至专科审核。对于药师主导的实践，模型输出应与预设响应配对，并显示不确定性和所用数据。
6.2 TDM的操作约束
TDM在采样时间、检测周转时间和用药记录未协调时可能操作负担沉重。主要的操作障碍各不相同，包括延迟的实验室结果、错误的用药或采样时间记录、非互操作的软件、缺乏培训人员以及未反映患者特定风险的统一采样计划。
6.3 ML用于工作流优化
ML可支持多项工作流任务：识别需要早期TDM的患者、在模型拟合前检测不可信的剂量-采样时间戳、利用经过验证的有限采样设计估算暴露、优先安排检测结果供药师审核，以及在肾功能、器官支持或相互作用药物发生变化后提示重新评估。
6.4 阶段性增强架构
ML在其能增加信息或改善优先级排序的地方被使用；浓度数据和药理学模型提供校准、时间一致性和明确的安全约束。工作流应记录模型版本、输入、推荐意见、不确定性、临床医生操作和后续结局。评估应测试完整的护理路径而非仅算法本身。
7 挑战与未来方向
临床采纳受限于可移植性、可解释性、数据基础设施、监管分类、模型维护和临床获益证据。增加算法复杂性本身并不能解决这些约束。未来研究应比较临床连贯的策略而非孤立的算法，包括ML有限采样AUC估算与贝叶斯估算的比较、混合模型与独立模型在分布极端的表现，以及工作流整合的决策支持与常规照护的比较。进一步进展需要药理学和ML的更紧密整合。
8 结论
ML通过直接预测、有限采样暴露估算、混合建模、连续时间神经模型、结局风险分层和序贯决策策略扩展了精准给药的工具箱。这些方法解决不同的临床问题，应针对任务特定的比较对象进行评估。近期的临床使用应将ML与PopPK/贝叶斯MIPD和TDM相整合。ML可支持分流和非线性预测，而浓度测量和药理学模拟提供患者特异性校准和明确的安全约束。临床采纳需要外部验证、透明的不确定性、工作流和监管评估、模型维护以及患者获益的前瞻性证据。
