《Intensive Care Medicine Experimental》：Development and evaluation of machine learning-based prediction-modelling for initial vancomycin serum concentrations in septic ICU patients using clinical health record data
编辑推荐：
背景：脓毒症是一种危及生命的疾病，其病理生理具有高度异质性和动态变化特征，限制了统一治疗策略的有效性。除及时控制感染源外，抗菌治疗是唯一针对病因的治疗手段。万古霉素（vancomycin）广泛用于革兰阳性菌感染的治疗；然而，由于脓毒症患者存在显著的药代动力学（
背景：脓毒症是一种危及生命的疾病，其病理生理具有高度异质性和动态变化特征，限制了统一治疗策略的有效性。除及时控制感染源外，抗菌治疗是唯一针对病因的治疗手段。万古霉素（vancomycin）广泛用于革兰阳性菌感染的治疗；然而，由于脓毒症患者存在显著的药代动力学（pharmacokinetic, PK）变异性和个体间异质性，其最佳给药剂量极具挑战性。剂量不足可能促进抗菌药物耐药性，而剂量过高则增加毒性风险。本研究旨在利用常规可获得的临床数据，开发并验证一种基于机器学习的预测模型，以支持万古霉素的个体化给药。
方法：这项单中心回顾性研究纳入了入住重症监护病房（intensive care unit, ICU）的成年脓毒症患者，使用医院电子病历中常规收集的数据。患者纳入标准为：接受万古霉素负荷剂量后持续输注，且至少有一次测得的血清浓度。研究开发了三种机器学习模型——弹性网络回归（elastic net regression）、随机森林（random forest）和XGBoost——用于预测万古霉素初始血清浓度。为最小化偏倚并增强泛化能力，模型训练、超参数调优和性能评估采用分层嵌套交叉验证方法进行。模型性能与七个常用的群体药代动力学（population pharmacokinetic, PopPK）模型进行了比较。
结果：所开发的最佳性能弹性网络模型取得了显著改进，平均均方根误差（root mean squared error, RMSE）为6.19，而最佳药代动力学模型为7.83，凸显了机器学习模型支持早期个体化给药的潜力。最终模型分析显示，去甲肾上腺素给药，连同体重、血清肌酐和慢性肾脏病的存在等经典药代动力学参数，对预测性能具有显著影响。
结论：这种基于机器学习的万古霉素初始血清浓度预测方法优于传统PK模型，能够在治疗药物监测（therapeutic drug monitoring, TDM）结果可用之前实现更精确、更个体化的给药。通过整合关键临床变量，该模型促进了脓毒症治疗中的数据驱动决策，并凸显了机器学习在推进个性化抗菌治疗方面的潜力。
论文解读
一、研究背景与问题
脓毒症被定义为由感染引起的宿主反应失调所导致的危及生命的器官功能障碍，其病理生理机制复杂，涉及多种相互作用的生物学和临床因素，表现出高度的异质性、多维性和非线性疾病动态特征。尽管重症医学取得了重大进展，脓毒症相关死亡率仍然居高不下。除及时控制感染源外，抗菌治疗是唯一直接针对潜在感染的治疗干预手段。万古霉素是治疗严重革兰阳性菌感染（尤其是耐甲氧西林金黄色葡萄球菌所致感染）的基石药物，但其临床管理面临诸多挑战。万古霉素具有复杂的药代动力学和药效学特性，危重症患者因生理状态动态改变、器官功能障碍及合并治疗干预，药物暴露量存在显著个体差异。剂量不足可导致血药浓度低于治疗水平，细菌清除不充分，并促进万古霉素中介金黄色葡萄球菌等耐药菌株的出现；而剂量过高则增加肾毒性风险，尤其对于肾功能受损或合并使用肾毒性药物的患者。两种情形均与较差的临床结局、ICU住院时间延长和死亡率增加相关。
治疗药物监测（TDM）通过基于测得血清浓度的剂量调整来支持治疗过程中的剂量个体化，但在首次给药时并无浓度数据可用。在脓毒症早期管理中，及时且充分的抗生素给药至关重要，这体现在"1小时脓毒症集束化治疗"中。临床实践中，初始给药决策主要依赖基于群体的估算，未能反映脓毒症ICU患者中显著的个体间变异。此外，TDM并非普遍可及，有限的基础设施或缓慢的周转时间可能延迟早期剂量优化。药量学方法（包括群体药代动力学模型和模型指导的精准给药工具）已被开发用于改善个体化给药，但这些方法的有效性依赖于测得浓度的可及性。对于首次给药——在TDM数据存在之前——这些方法退化为单一、手动选择的PopPK模型，限制了其提供个性化初始给药的能力。现有PopPK模型通常并非在脓毒症ICU人群中开发，且依赖有限的协变量（如年龄、体重、血清肌酐），不足以捕捉脓毒症特征的深度个体间和个体内变异性。在此背景下，机器学习（ML）通过利用常规收集的临床数据预测药物暴露量，提供了一种有前景的替代方案。尽管已有研究将ML方法应用于万古霉素治疗指导，但多数聚焦于分类任务或剂量推荐，而非血清浓度的直接预测。为此，本研究旨在开发并验证一种基于ML的模型，利用常规可获得的电子健康记录数据预测脓毒症ICU患者的万古霉素初始血清浓度，并在TDM结果可用之前提供个体化给药支持。
二、研究设计与主要技术方法
研究人员开展了一项单中心回顾性研究，数据来源于SepsisDataNet.NRW研究（2018—2022年），该研究是北莱茵-威斯特法伦州多家医院参与的脓毒症临床和生物学特征多中心登记研究。本研究仅纳入波鸿鲁尔大学Knappschaft Kliniken大学医院的数据，因该中心提供了符合纳入标准的患者最全面的临床变量集。最终队列包含64例患者，纳入标准为在首次浓度测量前12—120小时内接受至少一次万古霉素负荷剂量和维持剂量。研究采用以下关键技术方法：
预测问题与建模策略：研究旨在预测初始给药后的首次万古霉素血清浓度。模型以剂量决策时间点之前可获得的变量作为预测因子，剂量决策时间点与测量时间点之间仅使用万古霉素治疗信息，构建了结构化框架用于选择和预处理临床变量。
预测变量预筛选：基于临床合理性和既往文献报道的与万古霉素药效学或脓毒症特征的关联，预筛选了包括人口学特征（性别、年龄、体重、身高、BMI）、实验室参数（肾功能标志物如GFR、肌酐、尿素；肝功能指标如胆红素、GOT、凝血酶原时间；炎症和血液学标志物如CRP、血小板计数、RDW、PCT、NRBC）、干预相关变量（机械通气、儿茶酚胺或去甲肾上腺素输注、大量液体给药、透析）、生命体征参数（MAP、Horowitz指数、每日累积尿量）、SOFA评分及合并症（慢性肾脏病、糖尿病）等变量。
数据聚合与预处理：纵向数据基于两个不同时间区间进行聚合。人口学和合并症作为时间不变变量直接纳入；累积变量和体格特征保留剂量决策时间点前最近值；生命体征和实验室测量值以剂量决策时间点前24小时内的均值汇总。连续静脉给药需要显式处理给药周期，仅将给药区间与聚合窗口重叠的部分计入累积剂量。预处理包括去除零方差和缺失超过30%的预测因子，采用Cockcroft-Gault公式计算肌酐清除率，缺失肌酐值以0.9 mg/dL的群体值填补，其余缺失值采用中位数填补。所有预处理均嵌入重采样程序内，以避免数据泄漏。
建模与评估方法：鉴于小样本量（n=64）与潜在预测因子数量（p）相比的不足，研究选择了稳健的正则化机器学习模型：弹性网络回归、随机森林和XGBoost。弹性网络通过L1和L2惩罚的凸组合实现变量选择和系数收缩；随机森林通过自助采样和随机特征子集构建去相关树集成；XGBoost通过序列拟合残差并引入显式正则化实现梯度提升。超参数调优采用分层5次重复15折嵌套交叉验证，内层交叉验证确定最优超参数，外层测试集评估模型性能。分层基于三个临床相关浓度层：亚治疗（<15 mg/L）、治疗（15—25 mg/L）和超治疗（>25 mg/L）。性能评估采用RMSE、平均绝对误差（MAE）和决定系数（R2）三个互补指标。作为基线比较，研究从TDMx中选取了七个已发表的万古霉素PopPK模型进行浓度模拟，包括两室模型（Goti等、Thomson等、Mangin等、Okada等）和一室模型（Revilla等、Roberts等、Adane等）。
三、研究结果
队列特征：队列包含中年患者（平均年龄59.8岁），以男性为主（62%），平均BMI为30.5 kg/m2。肾功能显示显著异质性，肌酐清除率范围为12.5—258.6 L/h。血管加压药使用、液体给药和通气等ICU特定因素反映了血流动力学和器官功能的显著变异性。初始给药后平均万古霉素浓度约为24 mg/L，处于升高水平。
性能结果：在三个ML模型和七个PopPK模型的性能比较中，ML模型总体表现出更集中的指标分布、更低的误差中位数和更高的解释方差。最佳性能的PopPK模型（Mangin等）MAE为6.38 mg/L，RMSE为7.83 mg/L，R2为0.62。相比之下，弹性网络将MAE降至4.98 mg/L，RMSE降至6.19 mg/L，R2提高至0.75。在浓度分层分类方面，PopPK模型在低浓度时准确率较高（70—100%正确分类为亚治疗），但在高浓度时性能下降（仅13—65%正确分类为超治疗）。随机森林和XGBoost对高浓度（75%和74%）和治疗浓度（80%和70%）检测良好，但对低浓度表现不佳。弹性网络在所有三个浓度水平均达到一致超过64%的准确率，主要错误发生在相邻浓度水平之间。
最终模型：基于优越的泛化性能，弹性网络被选为最终模型。最终超参数配置为惩罚项λ=0.89，混合参数α=0.3。最终模型的回归系数揭示了三个概念性预测重要性分组：药物暴露和肾功能主导模型，累积万古霉素剂量（标准化系数β=4.353）为最强预测因子，慢性肾脏病（β=2.912）、血清肌酐（β=2.628）和肌酐清除率（β=-1.821）共同体现肾功能在万古霉素药代动力学中的关键作用；第二组包括时间和血流动力学因素：首次给药后时间（β=1.982）、累积去甲肾上腺素（β=1.641）和尿量（β=-1.526）；第三组为疾病严重程度标志物，SOFA评分（β=-0.722）、机械通气（β=-1.148）和Horowitz指数（β=-0.231）呈一致负相关。基线患者特征（年龄、体重、BMI、性别）和血液学标志物显示相对重要性较低。
四、讨论与结论
讨论总结：本研究证明ML-based万古霉素血清浓度预测在脓毒症ICU患者中优于传统PopPK模型。弹性网络模型在亚治疗、治疗和超治疗浓度间表现出最均衡的性能，最适合整合入临床决策支持系统。模型保留的预测因子反映临床合理的万古霉素暴露决定因素：累积剂量和肾功能的主导地位与万古霉素主要经肾消除及其窄治疗窗一致；时间和血流动力学变量（首次给药后时间、去甲肾上腺素需求、尿量）提示药物蓄积和心血管不稳定对肾清除率的影响；疾病严重程度标志物的负相关更可能由液体复苏强度和分布容积扩大解释，而非对肾清除率的直接影响。透析状态未被保留在最终模型中，可能与现有肾功能标志物重叠及队列中透析患者较少有关。基线人口学特征意义最小，提示急性病理生理改变在危重症人群中超越静态患者特征。
结论翻译：这种基于机器学习的万古霉素初始血清浓度预测方法优于传统PK模型，能够在治疗药物监测结果可用之前实现更精确、更个体化的给药。通过整合关键临床变量，该模型促进了脓毒症治疗中的数据驱动决策，并凸显了机器学习在推进个性化抗菌治疗方面的潜力。
