Page 123 - 《中国药房》2025年6期

度洛西汀是第二代 5-羟色胺去甲肾上腺素再摄取 别、年龄、民族、身高、体重、体重指数（body mass index，
抑制剂（serotonin-noradrenalin reuptake inhibitors，SNRIs）， BMI）、合并疾病、联合用药、用药日剂量、肾功能指标、
[1]
广泛应用于抑郁症、焦虑障碍和神经性疼痛的治疗 。 肝功能指标、生化指标等作为预测模型的输入变量，以
由于度洛西汀对 5-羟色胺的选择性较去甲肾上腺素强 度洛西汀血药浓度为输出变量。
10 倍，使得该药较其他 SNRIs（如文拉法辛）的副作用 1.4 数据预处理、标签分布和特征选择
[2]
少，患者耐受性更高 。与现有抗抑郁药比，度洛西汀更 数据预处理过程包括异常值剔除、缺失值处理、编
[3]
适用于抑郁症核心症状和躯体症状的治疗 ，被国内外 码与数据集的拆分等。对数据集进行检验发现，纳入模
相关指南一致推荐为治疗抑郁症的一线用药 [4―5] 。 型预测的特征并没有缺失值，因此不需要进行缺失值的
治疗药物监测（therapeutic drug monitoring，TDM） 填充。然后，对数据标签进行分布分析，符合正态分布
技术能够为临床制定个体化用药方案提供依据，从而提 的标签在建模过程中无须特殊处理；反之，在建模过程
[6]
高疗效、减少不良反应、缩短住院时长、节省治疗费用 。 中应做相应的前处理。采用随机森林（random forest，
由于度洛西汀的血药浓度在人群中存在个体差异，且易 RF）模型中的“递归特征消除”程序进行特征选择，以 R 2
引起恶心、腹泻、嗜睡、多汗，甚至发生肝脏损伤、5-羟色 为评价指标，绘制特征选择折线图。对分类变量进行特
胺综合征、出血等不良反应 ，因此，在度洛西汀的临床 征变量赋值——（1）性别：男性为 0，女性为 1；（2）民族：
[7]
应用中，针对特殊人群（如儿童、孕妇、老年患者）、常规 汉族为 0，维吾尔族为 1，哈萨克族为 2，其他民族为 3；
剂量下治疗无效患者，以及合并其他疾病影响药物药动 （3）联合用药：无联合用药为 0，联用辅助睡眠药物为 1，
[8]
学行为的患者应常规开展TDM 。 联用奥氮平+辅助睡眠药物为2，联用喹硫平+辅助睡眠
新疆基层医疗机构受限于医疗资源分布不均、检测 药物为 3；（4）合并疾病：无合并疾病为 0，合并高血压为
设备匮乏以及专业技术人才短缺等问题，临床开展度洛 1，合并高血压+糖尿病为 2，合并高血压+冠心病为 3。
西汀血药浓度监测面临重重困难。机器学习在此背景 对他输入变量进行归一化处理，以消除不同因素之间由
下展现出独特优势，它能挖掘已有的临床数据间的潜在 于数值差异造成的误差，利用 Matlab R2018a 编程软件
关系，综合考量药物药动学行为与病理生理进程的相互 的“Mapminmax”函数将原始数据归一到[0，1]。
影响，从而构建精准预测模型，模拟不同条件下度洛西 1.5 模型训练与超参数优化
汀在患者体内的药动学过程，无须依赖实际的血药浓度 为了减小预测误差，同时使模型具有更好的泛化能
[9]
监测 。基于此，本研究采用机器学习模型预测抑郁症 力，将数据集以 7∶3 的比例划分为训练集（196 例）和测
患者度洛西汀的血药浓度，以期为临床尤其是无 TDM 试集（85例），分别用于训练和评估模型的泛化能力。采
用支持向量机（support vector machine，SVM）、RF、极端
条件的新疆基层医疗机构的抑郁症患者提供用药参考，
梯度提升（extreme gradient boosting，XGBoost）、人工神
促进临床模型引导的用药方案个体化。
1 资料与方法 经网络（artificial neural network，ANN）4 种模型在训练
1.1 研究对象 集上完成模型训练以及超参数优化。4种模型优化后的
超参数见表1。
回顾性收集2022年1月至2023年12月在新疆医科
表1 4种模型优化后的超参数设置
大学第一附属医院（以下简称“本院”）使用度洛西汀的
281例抑郁症住院患者的病历资料。本研究的纳入标准 模型 参数名称 参数说明 参数取值
SVM C 正则化参数 71.0
包括：（1）根据《CCMD-3 中国精神障碍分类与诊断标 gamma 核函数参数 1.0
[10]
准》（第 3 版） 诊断为抑郁症的住院患者；（2）服用固定 kernel 核函数 径向基函数
剂量度洛西汀达到稳态（4～5 个半衰期）。本研究的排 RF max_depth 树的最大深度 7.0
n_estimators 树的个数 20.0
除标准包括：（1）度洛西汀血药浓度为零或超出定量范
max_features 分裂时考虑的最大特征数 4.0
围的患者；（2）病历中的基本信息（年龄、性别、体重等） XGBoost max_depth 树的最大深度 3.0
和肝、肾功能检查结果缺失。本研究已获得本院医学伦 n_estimators 树的个数 50.0
理委员会批准，伦理审批号为K202311-31。 gamma 叶子节点分裂的阈值 0.1
ANN activation 激活函数 双曲正切激活函数
1.2 血药浓度监测方法
hidden_layers 隐藏层数 4.0
入组患者服用度洛西汀血药浓度达稳态后，于下次 neurons 神经元个数 27.0
服药前30 min采集静脉血2 mL。使用本实验室建立的 optimizer 优化器 自适应矩估计
高效液相色谱法检测度洛西汀的血药浓度，线性方程为 1.6 模型性能评价
2
Y＝182.425X+0.017，决定系数（R）＝0.999 2，线性范围 用训练好的 4 种模型分别预测测试集中 85 例抑郁
0～300 ng/mL。以30～120 ng/mL作为度洛西汀的血药 症患者的度洛西汀血药浓度，与实际测定浓度进行比
[11]
浓度参考范围 。 较，检验预测效果，并作相关性散点图。同时，计算 R 、
2
1.3 血药浓度影响因素数据收集 平均绝对误差（mean absolute error，MAE）、均方根误差
根据前期研究并结合相关文献 [12―13] ，收集患者的性 （root mean squared error，RMSE）来评估模型的预测性

中国药房 2025年第36卷第6期 China Pharmacy 2025 Vol. 36 No. 6 · 753 ·