Page 125 - 《中国药房》2025年6期

2.3 模型建立及解释 类型没有限制，也无须假设药物的药动学模型，能基
采用 SVM、RF、XGBoost、ANN 4 种机器学习算法 于患者基本资料、临床检查指标及药物治疗情况等及
在训练集上完成模型训练以及超参数优化，共获得4种 时、准确地预测血药浓度 。本研究选取 SVM、RF、
[17]
预测模型。4种模型预测性能比较见表3，4种模型在测 XGBoost、ANN 4 种算法构建预测模型的原因有以下几
试集中的预测结果见图2。 点 ——（1）多样性和互补性：这4种算法分别代表了不
[18]
表3 4种模型的预测性能比较 同的建模思路和技术，SVM 和 ANN 具有强大的非线性
模型 R 2 MAE RMSE 建模能力，能够处理复杂的高维特征；RF和XGBoost则
SVM 0.650 11.384 14.598
RF 0.801 8.010 11.004 代表集成学习方法，具有较强的预测精度和处理缺失数
XGBoost 0.808 7.644 10.808 据的能力。（2）普遍适用性：这4种算法是机器学习中最
ANN 0.701 10.369 13.499
常用的算法，被广泛应用于各类分类和回归任务，具有
2
4 种预测模型中，XGBoost 的 R 高的同时 MAE 和 较强的泛化能力。（3）性能稳定性：这4种算法在处理实
RMSE 低，表明该模型预测性能最佳。采用 SHAP 方法 际数据时表现出良好的性能稳定性，能够适应不同数据
对XGBoost模型进行解释，得到影响度洛西汀血药浓度 的复杂性和维度，并且在提高模型预测准确性方面具有
预测的特征重要性排序：BMI＞年龄＞其余20个特征集
显著优势。（4）参数调优灵活性：这4种算法均提供了丰
合（包括肝、肾功能和生化指标）＞用药日剂量＞合并疾
富的参数调节机制，能够通过调节参数进一步优化模型
病＞联合用药＞民族＞白细胞计数＞血红蛋白＞身高。
性能，满足特定要求。通过对这4种算法的选择和对比，
由特征分析摘要图（图3）可知，以年龄和BMI为例，血药
本研究不仅可以深入理解不同算法的适用场景，还能通
浓度随着年龄的增大而增大，随着BMI的增大而减少。
过对比找到最适合当前任务的最佳模型。这种组合式
2.5 实例预测
的算法选择有助于提高预测的准确性和模型的鲁棒
由图 4 可知，合并高血压、用药日剂量为 120 mg/d、
[19]
BMI为20.0 kg/m 、年龄为74岁、血红蛋白为142 g/L的患 性 。本研究结果显示，预测模型中XGBoost 模型预测
2
2
者服用度洛西汀达稳态后的血药浓度为101.18 ng/mL。 性能最佳，R（0.808）最高的同时 MAE（7.644）、RMSE
3 讨论 （10.808）最低。相对于其他 3 种算法，XGBoost 模型可
3.1 XGBoost模型的预测性能最佳 能具有如下优势：（1）其精准的残差优化机制能适配药
机器学习作为一门交叉学科，已应用于医学各个领 动学的复杂非线性；（2）其正则化与高效计算能力保障
域，可以有效解决多个变量间的共线性和交互作用，具 了模型在小样本下的泛化能力；（3）其决策树结构使得
有较强的专属性和泛化能力，建模时对于数据的分布和 模型结果相对易于理解和解释。

120 120 120 110
110
100
（ ng/mL ） （ ng/mL ） 90 （ ng/mL ） 100 （ ng/mL ） 90
100
100
80
80
血药浓度/ 80 预测值/ 70 血药浓度/ 80 预测值/ 70
60
60
50 60 60
50
40 40 Y＝0.641X+22.579 Y＝0.746X+17.023
40
30 40
0 20 40 60 80 40 60 80 100 120 0 20 40 60
测试样本/个 真实值/（ng/mL） 测试样本/个 真实值/（ng/mL）
a.预测值与真实值的分布图 b.预测值与真实值的相关性散点图 a.预测值与真实值的分布图 b.预测值与真实值的相关性散点图
A. SVM模型 B. RF模型
110
120 120
100
100
（ ng/mL ） 100 （ ng/mL ） 80 （ ng/mL ） 100 （ ng/mL ） 90
80
80
80
血药浓度/ 60 预测值/ 60 血药浓度/ 60 预测值/ 70
60
50
Y＝0.808X+11.078 40 40 Y＝0.746X+13.932
40 40
30
0 20 40 60 80 40 60 80 100 120 0 20 40 60
测试样本/个 真实值/（ng/mL） 测试样本/个 真实值/（ng/mL）
a.预测值与真实值的分布图 b.预测值与真实值的相关性散点图 a.预测值与真实值的分布图 b.预测值与真实值的相关性散点图
C. XGBoost模型 D. ANN模型
图2 4种模型在测试集中的预测结果
中国药房 2025年第36卷第6期 China Pharmacy 2025 Vol. 36 No. 6 · 755 ·