机器学习与群体药代动力学模型对丙戊酸清除率及谷浓度预测性能的比较：癫痫场景下的计算机模拟研究

《Pharmaceutical Research》：Comparative Predictive Performance of Machine Learning and Population Pharmacokinetic Models for Valproic Acid Clearance and Trough Concentrations: An In-silico Simulation Study in Epilepsy Scenarios

　　

摘要

目的

虽然群体药代动力学（PopPK）模型传统上用于指导丙戊酸（VPA）的剂量调整，但机器学习（ML）可能更好地捕捉复杂的非线性关系。两者预测性能的直接比较仍缺乏明确结论。本研究比较了ML与PopPK模型在VPA清除率及谷浓度方面的预测性能。

方法

利用两个独立的模拟数据集开发并验证PopPK和ML模型。谷浓度和清除率分别在先验（a priori）和后验（a posteriori）条件下进行评估，并与匹配的PopPK参考值进行比较。

结果

对于谷浓度，在先验条件下，大多数ML模型的预测效果显著优于PopPK群体预测（PRED）；而在后验条件下，PopPK个体预测（IPRED）显著优于所有ML模型。对于清除率，性能最佳的ML模型（kNN）在先验条件下显著优于群体典型预测（CL PRED）；而在后验条件下，性能最佳的ML模型（CatBoost）相较于经验贝叶斯清除率估计值（CL EBE）显示出小幅但具有统计学意义的优势。

结论

相对性能取决于预测目标和可用数据。在先验条件下，ML在两个终点指标上均优于PopPK。在后验条件下，PopPK在谷浓度方面仍保持优势，而ML在清除率方面表现相当。仍需进一步开展真实世界验证。