Page 84 - 《中国药房》2024年5期
P. 84

据《中国成人肾病综合征免疫抑制治疗专家共识》的标                            型构建，其中对分类变量给予赋值前处理，数值变量采
          准，把临床疗效分为完全缓解（complete response，CR）、                用 Python 语言进行归一化处理。由于 166 例患者中有
          部分缓解（partial response，PR）和未缓解（non-remission，        57例并未完善基因信息，而基因信息又是影响他克莫司
              [9]
          NR） ，具体为：（1）CR——24 h 尿蛋白定量＜0.3 g 或                  血药浓度的重要因素，缺失该信息将使模型的预测准确
          UPCR＜300 mg/g，肾功能正常，ALB＞35 g/L，尿蛋白定                 性下降，因此，本研究仅将余下的109例含有基因信息的
          性为阴性。（2）PR——24 h 尿蛋白定量为 0.3～3.5 g 或                 NS患者的302次血药浓度监测信息纳入模型中，并将其
          UPCR为300～3 500 mg/g，或24 h尿蛋白定量比基线水                  随机分为270例训练集和32例验证集，其中训练集用于
          平下降 50% 且肾功能稳定（血肌酐较基线水平上升＜                          训练和建立MLP模型，验证集用于检验模型效能。
          20%）。（3）NR——24 h尿蛋白定量＞3.5 g且下降幅度小                   1.5.3 MLP模型的建立过程
          于基线水平的50%。                                              在 Python 语言中导入 PyTorch 网络框架，以均方误
          1.3.2 ADR                                           差（mean square error，MSE）为 loss function，载入 270 例
              本研究主要收集具有客观指标定量的 ADR 类型，                        训练集患者信息。设置 4 层网络结构，其中 inputs 为 16
          如药源性血肌酐升高、血糖升高、高脂血症、肝功能异                            个特征参数，隐藏层为 2 层（其中第 1 层节点调试为 50，
          常、高尿酸血症等。ADR根据国家药品不良反应中心的                           第 2 层节点调试为 30），outputs 为血药浓度预测值。在
          关联性评价标准进行筛选，将 ADR 与药品的关联性评                          超参数调优方面，选择线性整流函数（rectified linear unit，
          价为“肯定”“很可能”“可能”的视作与药品可能有关，以                         ReLU）为激活函数，以自适应矩估计（adaptive moment

          此评价与他克莫司相关的ADR。                                     estimation，Adam）为优化器，经反向传播算法进行梯度
          1.4 数据收集和统计学方法                                      优化，并利用五折交叉验证进行评估。初始学习时，先
              收集NS患者在进行他克莫司血药浓度监测过程中                          将学习率调整为 0.01 进行 100 轮训练，而后为避免损失
          的疗效和 ADR 的相关信息，经 Excel 软件整理后，采用                     函数波动，再将学习率调整为0.001进行50轮训练，通过
          SPSS 27.0 软件进行统计学分析。计数资料以例数表                        不断调试使模型在训练集中充分学习，直至训练过程中
                           2
          示，组间比较采用 χ 检验；符合正态分布的计量资料以                          10个连续步骤误差没有减小则终止训练，完成模型建立
          x±s表示，组间比较采用t检验；不符合正态分布的计量                          过程。模型建立完成后可保存为 pth 格式，运用时只需
          资料以M（IQR）表示，组间比较采用Mann-Whitney U检                   将待预测患者的数据输入模型中，模型会自动收敛和非
          验；两组以上计量资料的比较，采用单因素方差分析或                            线性拟合生成预测结果。具体流程如图1所示。
          Kruskal-Wallis检验。采用二元Logistic回归进行影响因
                                                                                在Python语言中导入PyTorch网络框架
          素分析，通过受试者工作特征（receiver operating charac‐
          teristic，ROC）曲线计算曲线下面积并预测临界值。检验
                                                                   五折交叉验证         载入训练集患者信息（270例）
          水准α＝0.05。
                                                                                     设置网络结构层
          1.5 MLP模型的建立
          1.5.1 MLP模型的基本原理
                                                                             超参数调优：激活函数、优化器、学习率、训练轮次
              MLP是一种较复杂且高效的神经网络架构，具有多
          个隐藏层，这些隐藏层的存在使得 MLP 能够学习更加                                   否               训练模型
          复杂的非线性关系，从而提高模型的表达能力和预测准
                                                                                   是否满足预期终止条件
          确性。其输入层（inputs）和输出层（outputs）之间的每个
                                                                                         是
          连接都被赋予了权重，而模型可根据不断训练的过程，
          最优化其权重，并在优化过程中使用反向传播算法高效                                                   保存模型权重参数
          调整权重数值，将损失函数（loss function）快速、渐进地
                                                                                      输出预测结果
          收敛到期望值，同时利用梯度下降算法使预测值和实测
          值之间的误差不断减少，直至最小值 。                                             图1 MLP模型建立的流程图
                                         [5]
          1.5.2 MLP模型特征的收集与数据前处理                              1.5.4 MLP模型的验证过程
              本研究在咨询专家和查阅国内外关于他克莫司血                               将 32 例验证集数据输入已建好的 MLP 模型中，获
          药浓度的相关文献后         [10―11] ，共引入16个特征参数进行模            得他克莫司血药浓度预测值。将预测值与实测值进行


          · 586 ·    China Pharmacy  2024 Vol. 35  No. 5                               中国药房  2024年第35卷第5期
   79   80   81   82   83   84   85   86   87   88   89