Page 136 - 《中国药房》2025年14期
P. 136

[7]
          工、存储数据并输出预期结果，以简化人力的新型科学                            进行考量。Zhang 等 基于 584 例肾移植受者的相关数
          技术；而PPK则是基于某一群体对相关药物的代谢动力                           据，对 10 种常用算法[极限梯度增强（eXtreme gradient
          学进行研究。虽然PPK模型与AI技术在个体化用药中                           boosting，XGBoost）、光梯度增强机（light gradient boos-
          的应用已较为成熟，但仍有诸多问题需要解决，如多数                            ting machine，LightGBM）、随机森林（random forest，RF）、
          已建立的 PPK 或 AI 模型未得到外部验证，即模型的稳                       SVR、K-最近邻（K-nearest neighbor，KNN）、最小绝对收缩
          健性和普适性无法评价，预测值与实测值仍有较大的误                            和选择算子回归（least absolute shrinkage and selection
          差等。为此，本文系统综述了近年来 AI 和 PPK 在器官                       operator regression，LASSO）、桥回归（ridge regression，
          移植术后个体化用药中的最新进展，重点讨论其建模方                            RR）、线性回归（linear regression，LR）、梯度增强决策树
          法、应用现状及未来发展方向，以期为未来研究者开发                           （gradient boosted decision tree，GBDT）、TabNet]进行筛
          适用于器官移植受者个体化给药的新模型提供参考。                             选，以寻找他克莫司剂量预测性能最佳的 ML 模型。结
          1 AI在器官移植后个体化用药中的应用                                 果发现，TabNet的预测性能最好（R ＝0.824，平均绝对误
                                                                                            2
              目前应用于实体器官移植和造血干细胞移植后的                           差为 0.468，均方误差为 0.558，均方根误差为 0.745），但
          个体化用药的 AI 技术以机器学习（machine learning，                 其运行缓慢，故临床使用可能受限，建议应进一步优化
                                                                                                    [8]
          ML）算法为主，主要包括神经网络（artificial neural net‐             模型算法，以提高模型的运行速度。Mao 等 共收集了
          work，ANN）、支 持 向 量 机（support  vector  machine，       187 例中国肾移植患者的临床数据用于比较 LR、SVR、
          SVM）、回 归 树（regression  tree，RT）、深 度 学 习（deep        RF、XGBoost、LightGBM、分 类 增 强（categorical  boos-
          learning，DL）等 ；此外 ，遗传算法（genetic algorithms，         ting，CatBoost）、ANN等7种ML模型和PPK模型预测环
          GA）也常与ML算法结合应用于该领域。                                 孢素血药浓度的各项性能。该研究纳入了包括 MDR1
          1.1 AI在肾移植后个体化用药中的应用                                基因型在内的 16 种变量用于模型构建。结果表明，
              徐楚鸿等 利用 60 例肾移植患者的环孢素血药浓                        ANN模型的预测性能最好（中位预测误差与中位绝对预
                      [3]
                                                                                               2
          度监测数据、肾移植术后时间（天数）、肝肾功能等13项                          测误差分别为－0.039% 和 25.60%，R ＝0.75）。但该研
          指标数据，构建了用于预测肾移植患者环孢素血药浓度                            究基于线性模型进行变量筛选会使某些非线性的重要
          的 ANN 模型。结果表明，该模型预测的环孢素血药浓                          变量被排除在外，后续应在该方面进一步优化。
          度与实测浓度的相关性较高（r＝0.931 4）。余俊先等                   [4]  1.2 AI在肝移植后个体化用药中的应用
                                                                       [9]
          基于 ANN 与 GA 技术建立了可同时预测环孢素血药浓                            Tan 等 基于 11 例儿童肝移植患者的临床监测数
          度和给药剂量的新型个体化用药模型。对该模型的验                             据，对线性滚动窗口（linear rolling window，LRW）、二次
          证结果表明，在30次预测结果中，有27次的预测误差小                          滚动窗口（quadratic rolling window，QRW）等 6 种小型
          于10%，剩余3次的预测误差在10%～20%范围内，模型                        AI 平台预测他克莫司血药浓度的性能进行了回顾性研
          预测准确度较高。另一个研究团队也基于 ANN 与 GA                         究，最终结合各模型的预测误差和生成患者个体化文件
          技术建立了预测他克莫司血药浓度的个体化用药模型。                            配置的时间，认为 LRW 的临床实用性最高。但该模型
          该模型的平均预测误差、平均绝对预测误差以及血药浓                            是基于患者数据的理想化子集研发来的，这致使一些变
          度预测误差均优于多元线性回归模型，但其预测值与实                            异性大的患者数据被排除在外，其普适性可能受限，后
                                              [5]
          测值的相关性较低（r 为 0.836 3～0.897 4） 。他克莫司                 续还需不断优化，以增加其在儿童肝移植患者中的适
          和环孢素为器官移植术后推荐的一线免疫抑制剂，具有                            用性。
                                                                        [10]
          个体间变异性大的特性，这种特性主要由细胞色素P450                              Yoon 等 利用 443 例肝移植患者的临床监测数据，
          酶基因多态性造成，但上述模型均未考虑基因型的影                             开发了长短期记忆（long short‑term memory，LSTM）模
          响，故后续应在此基础上进一步优化模型。                                 型和梯度增强回归树（gradient-boosted regression tree，
              为了筛选出最具临床适用性的AI模型，有研究者对                         GBRT）模型用于预测他克莫司的血药浓度。结果表明，
                                       [6]
          多种AI模型进行了比对。Tang等 采集了838例肾移植                        LSTM 对患者他克莫司浓度预测的准确性优于 GBRT
          患者的临床信息，建立了 ANN、随机森林回归（random                      （中位性能误差：8.8% vs. 25.3%；绝对预测误差：22.3%
          forest regression，RFR）、RT、支持向量回归（support vec‐       vs. 33.1%）。该研究在对模型进行外部验证时扩大了样
          tor regression，SVR）等 9 种模型用于预测他克莫司的血                本量（增加了不同种族和地域的患者），对模型的普适性
          药浓度。结果表明，RT模型的预测效果最好，其推导组                           进行了验证；但与多数研究类似，其缺乏对患者基因型
          和验证组的平均绝对误差分别为 0.71 和 0.73。但该研                      的探讨，且该模型的适用人群有限（预测对象仅为他克
                                                                                               [11]
          究中 RT 和 RFR 两种算法的平均绝对误差相似，建议未                       莫司给药频次为 bid 的患者）。Song 等 开发了包括脊
          来可扩大样本量或使用不同种族的患者对这两种算法                             回归、SVR等在内的13种ML模型用于指导肝移植患儿


          · 1814 ·    China Pharmacy  2025 Vol. 36  No. 14                            中国药房  2025年第36卷第14期
   131   132   133   134   135   136   137   138   139   140   141