Page 127 - 《中国药房》2023年1期

机器学习在治疗药物监测与个体化用药中的应用
Δ

＊
詹世鹏 ，马 攀，刘 芳（陆军军医大学第一附属医院药剂科，重庆 400038）
#
中图分类号 R969.3 文献标志码 A 文章编号 1001-0408（2023）01-0117-06
DOI 10.6039/j.issn.1001-0408.2023.01.23

摘 要 机器学习由于其强大的数据分析与预测能力，在医学领域的研究与应用不断深入。近年来，越来越多的研究将其应用于
免疫抑制剂、抗感染药物、抗癫痫药物等的治疗药物监测与个体化用药中。相较于传统的群体药动学建模方法，基于机器学习构
建的模型能更精准地预测血药浓度和给药剂量，提高临床精准用药水平，减少不良反应的发生。基于此，本文就机器学习在治疗
药物监测与个体化用药中的应用予以综述，为临床精准用药提供理论依据和技术支撑。
关键词 机器学习；治疗药物监测；免疫抑制剂；抗感染药物；个体化用药

Application of machine learning in the therapeutic drug monitoring and individual drug therapy
ZHAN Shipeng，MA Pan，LIU Fang（Dept. of Pharmacy， the First Affiliated Hospital of Army Medical
University， Chongqing 400038， China）

ABSTRACT Machine learning has been applied in the medical field due to its powerful data analysis and exploration capabilities.
In recent years， more and more studies have applied it to therapeutic drug monitoring and individual drug therapy of
immunosuppressants， anti-infective drugs， antiepileptic drugs， etc. Compared with the traditional population pharmacokinetic
modeling methods， the constructed models based on machine learning can predict blood drug concentration and drug dose more
accurately， improve the level of clinical precision drug use and reduce the occurrence of adverse drug reactions. Based on this， this
article reviews the application of machine learning in therapeutic drug monitoring and individual drug therapy， with a view to
providing theoretical basis and technical support for clinical precise drug use.
KEYWORDS machine learning； therapeutic drug monitoring； immunosuppressants； anti-infective drugs； individual drug therapy

国务院于2017年7月20日发布的《新一代人工智能 虑较少且准确度不高的局限性。机器学习可通过对数
发展规划》，明确将人工智能（artificial intelligence，AI） 据的多层次挖掘，筛选出多个影响因素，并将其一并纳
作为未来国家重要的发展战略。近年来，AI不断得到各 入分析，从而构建出实用性更强、准确度更高的个体化
领域的重视，取得了令人瞩目的发展。机器学习是AI的 用药模型 [7―8] 。因此，机器学习与个体化用药的结合有
一种实现方式，也是一门专注于研究计算机如何从数据 助于临床更好地实现精准用药。本研究拟通过查阅国
[1]
中学习的科学学科 ，通过强大的计算算法，可以实现对 内外相关文献，对机器学习在治疗药物监测与个体化用
[2]
数据高效、准确地分析和预测 。医疗大数据给机器学 药中的应用进行综述，以期为临床精准用药提供理论依
习提供了海量的数据来源，近年来，机器学习已在医疗 据和技术支撑。
[4]
[3]
监护 、影像判断 、卫生决策 等领域发挥了重要作用。 1 机器学习概况
[5]
在药学领域，机器学习在药物研发阶段的应用已趋于成 机器学习的本质是通过算法使计算机从大量的数
[6]
熟 ，但在治疗药物监测和个体化用药领域仍处于上升 据中学习规律并形成相应的模型，并对该模型进行验证
[9]
阶段。 和不断优化，其目标是对新的样本作出识别和预测 。
因此，机器学习的能力是训练出来的，不是明确地用程
个体化用药旨在为患者“量体裁药”，提供精准化药
[10]
序编写出来的 。机器学习根据学习方式可以分为监
学服务。治疗药物监测为个体化用药提供了重要的技
督式学习、半监督式学习、非监督式学习和强化学习四
术支撑。既往基于治疗药物监测的个体化用药模型构
[11]
大类 。
建多采用群体药动学模型，存在建模困难、影响因素考
1.1 监督式学习
Δ 基金项目 陆军军医大学优秀人才库重点扶持对象苗圃人才库 在监督式学习中，每组训练数据都有一个明确的目
项目（No.XZ-2019-505-073）
标变量，这个变量由已知的一系列预示变量预测而来。
＊第一作者 副主任药师，硕士。研究方向：治疗药物监测与个体
化用药。E-mail： zhanzhan_e@163.com 监督式学习主要用于解决分类及回归问题，常见的基于
监督式学习的算法包括——（1）回归算法：采用对误差
# 通信作者 副主任药师，博士。研究方向：治疗药物监测与个体
化用药。E-mail： liufang0209@163.com 的衡量来探索变量之间的关系，代表算法有线性回归、
中国药房 2023年第34卷第1期 China Pharmacy 2023 Vol. 34 No. 1 · 117 ·