基于机器学习协变量筛选的中国绝经后女性皮下注射水性黄体酮群体药代动力学模型构建及25 mg每日一次给药方案的稳态暴露模拟验证

《European Journal of Drug Metabolism and Pharmacokinetics》：Development of a Population Pharmacokinetic Model for Aqueous Progesterone in Chinese Postmenopausal Women: Integrating Machine Learning for Covariate Screening

　　

背景：本研究首次构建了中国健康绝经后女性皮下注射水性黄体酮的群体药代动力学（popPK）模型，并整合机器学习（ML）进行协变量筛选。方法：数据来源于一项开放、单次给药、两周期交叉生物等效性研究，共纳入50名受试者。含吸收滞后时间的一级吸收、一级消除二室模型可最优描述浓度-时间曲线。在传统逐步协变量建模之前，采用自适应最小绝对收缩与选择算子（LASSO）、弹性网络（elastic net）和随机森林（random forest）等机器学习算法识别药代动力学（PK）变异性的生理预测因子。结果：机器学习集成模型显示出较高的预测性能，并提示身高和体重为潜在协变量。然而，后续popPK评价在最终模型中保留了身高对清除率（CL）的影响以及体重对外周室分布容积（V2）和室间清除率（CL2）的影响。尽管这些关系具有统计学可识别性，但其临床意义被认为有限。最终模型稳健，并用于模拟每日一次25 mg方案给药后的稳态暴露。模拟的稳态平均浓度-时间曲线下面积（AUCss）为324 ± 45.9 μg h/L，平均浓度（Cavg,ss）为13.3 μg/L。值得注意的是，98.9%的模拟人群达到Cavg,ss ≥ 10 μg/L，即充分黄体支持的阈值。结论：本分析首次提供了水性黄体酮的popPK特征描述，支持25 mg每日一次方案用于黄体期支持，且无需根据所评价的内在因素调整剂量。试验注册：中国临床试验注册中心（CTR20221233，注册日期：2022年5月30日；前瞻性注册）。

研究背景方面，黄体酮（progesterone）对于子宫内膜容受性和早期妊娠维持不可或缺，辅助生殖技术（ART）中需要充分的黄体期支持。皮下注射水性黄体酮（如Lubion^?）具有较好的耐受性和25 mg每日一次给药的便利性，已被列为推荐选择。瑞士和奥地利的临床研究显示，单次皮下注射25 mg水性黄体酮后，最大血清浓度（C_max）为57.84 ± 13.55 μg/L，从零到无穷大的浓度-时间曲线下面积（AUC_0–∞）为349.17 ± 91.10 μg h/L，消除半衰期（t_?）为13.06 ± 7.08 h；稳态时一个给药间隔内的浓度-时间曲线下面积（AUC_ss）为312.87 ± 44.40 μg h/L，稳态最低浓度（C_min,ss）为3.37 ± 1.03 μg/L。然而，其临床药代动力学（PK）依据，尤其是在中国人群中的特征，仍缺乏充分描述。虽然血清黄体酮浓度约10 μg/L通常被认为反映自然周期中充分的黄体功能，但皮下注射水性黄体酮能否可靠达到并维持该目标暴露尚未被系统评价。目前存在的主要问题包括：缺乏关于皮下给药后达到并维持目标黄体酮浓度（≥ 10 μg/L）的患者比例的系统数据；部分患者妊娠结局欠佳可能提示治疗反应存在个体间变异；该关键人群缺乏popPK模型，导致给药依赖经验与专家共识，暴露可预测性存在不确定性，并阻碍潜在的剂量个体化。因此，建立稳健的皮下注射水性黄体酮popPK模型对于量化暴露、识别协变量并为中国患者用药提供坚实的PK基础至关重要。传统PK协变量识别方法，特别是逐步回归建模，存在固有局限：处理高维数据时计算效率低，且可能无法捕捉复杂的非线性关系。机器学习技术因能高效处理高维数据并揭示复杂模式，已被越来越多地整合到药代计量学分析中。研究人员的目标是构建中国健康绝经后女性皮下注射水性黄体酮的首个popPK模型，从而提供准确评价外源性制剂的清晰基线；并采用自适应LASSO、弹性网络和随机森林三种机器学习方法探索影响PK参数的生理协变量，通过模拟评价25 mg每日一次方案是否达到与充分黄体支持相关的目标稳态暴露。通过将先进的计算筛选与经典popPK相结合，该工作旨在为该人群中水性黄体酮的临床使用提供更严谨的药代动力学基础。

研究人员开展了一项基于开放、单次给药、两周期交叉生物等效性研究数据的popPK分析，该研究在中国临床试验注册中心注册（CTR20221233），在健康中国绝经后女性受试者中实施，方案获上海市徐汇区中心医院伦理委员会批准，所有参与者在入组前提供书面知情同意。共纳入50名40至65岁、末次月经后至少12个月的受试者。选择该人群是因为绝经后内源性黄体酮显著下降（绝经前卵泡期：3.5 ± 2.5 μg/L；绝经后：0.2 ± 0.1 μg/L；p < 0.001），该基线远低于水性黄体酮报告的C_min,ss（3.37 ± 1.03 μg/L），可确保所测浓度严格反映外源性药物。主要入选标准要求体重不低于45 kg，体质指数（BMI）在19至30 kg/m²之间。主要排除标准包括对黄体酮有明确过敏史、研究前6个月内使用任何含雌激素或黄体酮的药物、子宫切除史，以及临床显著肝功能损害证据（丙氨酸氨基转移酶（ALT）或天冬氨酸氨基转移酶（AST）超过正常上限1.5倍，或总胆红素超过正常上限1.3倍）。每个研究周期受试者接受单次25 mg皮下注射试验制剂（GenSci070）或参比制剂（Lubion^?），两治疗期间清洗期为14天。PK血样采集时间为给药前及给药后0.25、0.5、1、1.5、2、2.5、3、4、6、8、10、12、24、48、72和96 h。每个时间点采集3 mL血样于肝素化管中，4 °C下2000 × g离心10 min，分离血浆分装后于?80 °C冻存至分析。血浆黄体酮浓度采用经上海市徐汇医院临床试验机构验证的液相色谱-串联质谱法（LC-MS/MS）定量。低于定量下限（BLQ）的样本按现行生物分析指导原则处理。模型构建与估计使用Phoenix NLME（8.1版），采用一阶条件估计-扩展最小二乘法（FOCE-ELS）。结论是：该分析首次提供了水性黄体酮的popPK特征描述，支持25 mg每日一次方案用于黄体期支持，且无需根据所评价的内在因素调整剂量；模型可为水性黄体酮在ART中的应用提供定量支持信息，但鉴于结果来自健康绝经后女性，外推至ART患者需谨慎。其重要意义在于首次量化了中国绝经后女性皮下注射水性黄体酮的处置特征，验证了机器学习辅助协变量筛选的可行性与效率，并为固定剂量给药方案提供了PK依据。

关键技术方法方面，研究采用Phoenix NLME（8.1版）结合FOCE-ELS法进行popPK建模与估计；在R软件（4.1.0版）中构建自适应LASSO（含1000次bootstrap重抽样评估选择稳定性，保留阈值>80%）、弹性网络和随机森林三种机器学习模型，并以Shapley加性解释（SHAP）近似进行特征重要性排序；随后在非线性混合效应模型框架内实施逐步协变量建模（前向纳入p < 0.01，后向剔除p < 0.001）；模型评价采用拟合优度（GOF）图、500次非参数bootstrap和视觉预测检验（VPC）；并基于最终模型对1000名虚拟个体进行蒙特卡洛模拟以评估稳态暴露。样本队列来源于中国临床试验注册中心注册（CTR20221233）的开放、单次给药、两周期交叉生物等效性研究，共50名健康中国绝经后女性受试者，最终数据集包含1393个可定量血浆浓度观测值。

研究结果方面，3.1 人口学特征：popPK分析共纳入来自50名绝经后女性受试者的1393个浓度观测值，每名受试者在两个治疗周期均接受单次25 mg GenSci070或Lubion^?皮下注射，剔除给药前BLQ观测后最终数据集包含1393个可定量血浆浓度。3.2 基于机器学习的协变量筛选：基础popPK模型显示，含吸收滞后时间（T_lag）的一级吸收、一级消除二室模型最优描述浓度-时间数据，残差误差采用比例误差模型，并因两制剂交叉设计估计了制剂对相对生物利用度（F_rel）的影响。基于基础模型得到的个体间变异经验贝叶斯估计（EBEs）进行初步筛选，三种机器学习方法一致将体重排在BMI之前；鉴于两者高度共线性（r = 0.88）且体重预测影响更优，优先将体重作为候选变量；身高与体重中度相关（r = 0.529），两者均作为候选协变量。自适应LASSO结合bootstrap识别出6个选择频率超过80%阈值的稳健关系：体重对V和CL₂的影响，以及身高和体重对CL和V₂的影响；弹性网络的SHAP全局重要性排序与自适应LASSO基本一致；随机森林SHAP排序与自适应LASSO显著重叠，但因其对共线性的不同处理，排名靠前的关系还保留了BMI对CL₂和V的影响。最终共选出8个候选协变量-参数关系进入正式检验，包括6个稳健关系及基于生理和临床相关性先验纳入的制剂对K_a和T_lag的影响；年龄、BMI、AST和ALT被系统排除。经Phoenix NLME逐步协变量建模，最终模型确定体重对V₂和CL₂、身高对CL的影响具有统计学显著性（p < 0.01），制剂对K_a/T_lag的影响不显著而未保留。3.3 最终popPK模型：以典型受试者（身高156 cm，体重56 kg）为参照，采用数据集中身高和体重的第10和第90百分位数进行模拟，身高第10百分位数时AUC_ss增加10.8%、C_min,ss增加22.4%，第90百分位数时AUC_ss降低7.0%、C_min,ss降低13.6%；体重第10百分位数使C_min,ss降低12.5%，第90百分位数使其升高19.8%。由于C_avg,ss等于AUC_ss除以固定给药间隔，其百分比变化与AUC_ss相同。总体而言，在研究范围内这些协变量对全身暴露影响有限，支持不按体型常规调整剂量；且本研究样本量仅50，据Ribbing和Jonsson，小样本（n ≤ 50）下协变量选择偏倚很高，协变量系数可能被高估至真实值的两倍以上，导致临床意义被高估，因此尽管身高对CL、体重对V₂和CL₂的影响因统计学可识别性被保留，其实际临床意义被认为有限。制剂对PK参数影响极小，制剂对F_rel的固定效应估计为?0.0461，对应GenSci070相对Lubion^?的相对生物利用度为95.49% [exp(?0.0461)]，与生物等效性试验数据方差分析（ANOVA）所得几何均值比（GMR）95.57%高度一致，有力支持两制剂生物等效。3.4 模型评价：GOF图显示观测浓度与预测浓度（PRED和IPRED）之间高度一致；VPC中观测浓度的第5、50和95百分位数总体落在相应模拟百分位数的90%置信区间内；48 h后可定量数据稀疏（72 h仅两个可测样本，96 h全部BLQ），故这些晚期时间点的VPC结果对模型评价无信息价值；终末相预测区间略宽，可能源于样本量有限而简化的个体间变异结构（对角OMEGA矩阵，V的个体间变异固定为零且无协方差项），因此模型预测预期偏保守；500次bootstrap重抽样全部收敛成功，最终模型所有典型参数值均落在bootstrap估计的95%置信区间内，表明模型具有稳健的预测能力。3.5 支持25 mg每日一次方案的模型模拟：对25 mg每日一次方案模拟1000名虚拟受试者，稳态在三次给药后达到，图示为连续三个间隔（0–72 h）的血浆浓度-时间曲线；预测平均AUC_ss为324 ± 45.9 μg h/L，与既往奥地利健康女性使用Lubion^?报告的稳态暴露（313 ± 44.4 μg h/L）高度吻合；C_min,ss中位数为4.88 ± 1.47 μg/L；稳态平均浓度C_avg,ss中位数为13.3 μg/L，98.9%的模拟人群达到C_avg,ss ≥ 10 μg/L（充分黄体期支持的指示阈值），强化了25 mg每日一次皮下方案的临床适宜性。

讨论部分总结：本研究构建了中国绝经后女性皮下注射水性黄体酮稳定可靠的popPK模型，关键方法学特征是"机器学习优先"策略，即在传统popPK评价前使用由自适应LASSO、弹性网络和随机森林组成的机器学习算法集成进行协变量筛选，该无偏、数据驱动的预筛选工具快速识别出身高和体重是PK变异的主要贡献因素。传统逐步协变量建模（SCM）计算密集且可能无法捕捉复杂非线性关系；本研究中所有机器学习分析在10 min内完成，显著优化了模型构建流程。三种互补方法的整合确保了方法学稳健性：自适应LASSO通过其"Oracle性质"提供理论一致性，弹性网络通过结合L₁和L₂正则化有效处理体重与BMI之间的高度共线性（r = 0.88），随机森林捕捉潜在非线性交互和结构依赖。1000次自适应LASSO bootstrap（>80%频率）支持选择稳定性，最终模型保留的三个关系均以高频率被选中；弹性网络和随机森林采用简化SHAP分析客观量化各协变量对PK参数的具体影响，提供模型无关的可解释性并实现协变量重要性的全局排序。值得注意的是，全局SHAP归一化过程固有地假设所有PK参数等权重，数学上稀释了清除率的生理主导性，这解释了身高对CL影响的SHAP排名意外偏低，凸显了基于药理学合理性解释机器学习输出的关键必要性；此外，自适应LASSO和弹性网络倾向于优先选择体重而非高度共线的BMI，而随机森林倾向于将预测重要性分散于两者，这是树分裂过程中随机特征选择的固有伪影。为基准比较该机器学习框架是否真正优于传统实践，研究人员将其输出与传统的eta-协变量Pearson相关分析比较，该分析在生理合理性指导下识别出10个显著关系（p < 0.05），其中6个与机器学习发现重叠，其余4个为身高对CL₂及BMI对V、V₂和CL₂的影响；该比较说明机器学习预筛选的两大优势：一是缓解多重共线性，Pearson相关孤立评价各协变量并标记了涉及高度相关体重-BMI对的若干关联，而机器学习一致选择体重作为更具预测性的变量，从而避免相关候选变量同时进入SCM时产生的不稳定估计；二是抑制单变量分析的假阳性信号，尽管Pearson相关标记了身高对CL₂的影响，但三种机器学习算法均未保留它，因为未调整的边际关联无法在仅保留稳定独立预测因子的联合正则化筛选中存活，SCM结果与此排除一致，敏感性分析显示身高×CL₂在任何前向添加轮次中均未被选中（补充表S2），其Δ?2LL始终小于各步所选协变量；研究人员同样检查了AST对CL、ALT对CL和年龄对CL这些生理合理但未被机器学习或相关筛选优先考虑的关系，均未在任何前向添加轮次中被选中。总之，机器学习筛选比单变量相关更具选择性，且本研究未引入假阴性；即使机器学习优先的协变量，在正式纳入SCM前也需评估生理合理性；机器学习预筛选不仅是变量过滤器，更是模型构建流程中的独立交叉核查，机器学习识别出强预测重要性但未被SCM保留的关系可能反映SCM中简单幂模型无法捕捉的潜在非线性。利用验证后的最终模型，模拟结果证实25 mg每日一次皮下给药方案达到并维持足以满足黄体期支持疗效阈值的稳态黄体酮浓度；本研究的模拟全身暴露与已报道的奥地利女性高度可比，证实25 mg每日一次的临床适宜性；关键是C_avg,ss中位数显著超过10 μg/L阈值，该阈值被广泛认为是在自然周期中充分黄体酮产生和子宫内膜支持的标志；近期回顾性数据进一步证实，胚胎移植前血清水平低于该阈值的患者与≥10 μg/L者相比活产率降低。然而，本研究在健康绝经后女性中进行，而目标ART人群临床异质性更大，内源性黄体酮水平可变且可能存在外源性激素干扰，因此在ART人群中进行该药的药代动力学分析不切实际，其药物处置（尤其是分布和消除）是否与健康绝经后女性不同仍未知；在处置可比的假设下，模拟预测98.9%的治疗人群将达到C_avg,ss > 10 μg/L。为评估剔除这些协变量的影响，研究人员使用基础模型参数估计进行敏感性模拟（补充表S3），在1000名虚拟个体中预测C_avg,ss中位数为13.2 μg/L，98.2%达到浓度≥10 μg/L，该发现为25 mg每日一次方案提供了支持信息，尽管其直接适用于ART人群尚需进一步研究。总之，本研究强调了机器学习通过快速过滤无关变量和解决共线性在优化协变量筛选方面的效率和客观性，提出了整合自适应LASSO、弹性网络和随机森林的稳健筛选范式；未来通过科学机器学习（SciML）将机器学习与机制性药代计量学深度融合，为表征复杂药代动力学变异性提供了强大框架；在popPK建模领域，随着机器学习从初始筛选的辅助工具走向与机制模型的深度融合，仍有广阔的研究空间和应用前景。

研究结论翻译：本研究构建了中国绝经后女性皮下注射水性黄体酮的首个popPK模型。将机器学习作为预筛选工具整合，提高了协变量分析效率。尽管生理因素（如体重、身高）对变异性有贡献，但其影响无临床显著性，支持固定剂量方案。模型模拟提示，在25 mg每日一次方案下，98.9%的受试者将达到稳态平均每日黄体酮浓度≥ 10 μg/L。鉴于这些结果来自健康绝经后女性，外推至ART患者应谨慎；尽管如此，该模型仍可为水性黄体酮在ART中的应用提供定量支持信息。