Page 139 - 《中国药房》2025年14期
P. 139
[31]
Woillard等 基于文献报道的PPK模型估算了他克 参考文献
莫司给药 0～12 h 内血药浓度与剂量的曲线下面积，据 [ 1 ] 杜瑜，王淼，王政，等. 移植术后应用他克莫司致不良反
此开发了一种可以预测他克莫司血药浓度的 XGBoost 应的相关因素分析[J]. 中国药房，2015，26（11）：1504-
模 型 ，并 分 别 在 肝 、肾 、心 脏 移 植 患 者 中 比 较 了 该 1506.
XGBoost 模 型 与 MAP-BE 的 预 测 性 能 。 结 果 表 明 ， [ 2 ] 盛晓燕，周颖，崔一民. 群体药代动力学在中国造血干细
XGBoost模型的预测结果与MAP-BE相当。 胞移植患者环孢素个体化治疗中的应用[C]//中国医院
[32]
Wang 等 基于 127 例中国肾移植患者的他克莫司 协会药事管理专业委员会.2013年中国临床药学学术年
会暨第九届临床药师论坛论文集 . 南昌：中国医院协会
监测数据，将 PPK 模型与 ML 模型结合，为肾移植受者
药事管理专业委员会，2013：1084-1088.
他克莫司个体化用药提供了新方法。其以CYP3A5基因
[ 3 ] 徐楚鸿，艾又生，陈华庭. 人工神经网络法预测肾移植术
型、血细胞比容为协变量，建立了PPK模型，并基于PPK
后患者环孢素 A 的血药浓度[J]. 中国医院药学杂志，
模型预测的药动学数据建立了 3 种 ML 模型（多层感知
2008，28（4）：276-278.
机、SVR、XGBoost）。结果表明，XGBoost模型的预测性
[ 4 ] 余俊先，史丽敏，李珊，等. 肾移植受者的环孢素剂量预
能最好（平均绝对误差为1.61，均方根误差为2.03），可用 测[J]. 中国医院药学杂志，2010，30（17）：1451-1454.
于优化中国肾移植患者他克莫司的个体化给药策略。 [ 5 ] 傅晓华，洪晓丹，刘石带，等. 人工神经网络模型在肾移
此外，Hu 等 将 PPK 模型与蒙特卡罗模拟结合，探索了 植患者他克莫司个体化给药中的应用[J]. 中国药学杂
[33]
中国肺移植患儿他克莫司的个体化用药策略；Hou 等 [34] 志，2013，48（12）：1000-1004.
基于肝移植受者的他克莫司临床监测数据，利用PPK模 [ 6 ] TANG J，LIU R，ZHANG Y L，et al. Application of
型和C语言开发了一款个体化给药软件，对中国成人肝 machine-learning models to predict tacrolimus stable dose
移植患者的他克莫司个体化用药进行了探索，结果均表 in renal transplant recipients[J]. Sci Rep，2017，7：42192.
明模型稳定可靠。 [ 7 ] ZHANG Q W，TIAN X K，CHEN G，et al. A prediction
综上，PPK 模型与 AI 技术的巧妙融合，可使器官移 model for tacrolimus daily dose in kidney transplant re‐
植受者术后他克莫司或环孢素的给药方案更加智能化、 cipients with machine learning and deep learning tech‐
niques[J]. Front Med（Lausanne），2022，9：813117.
个性化，但同样却存在使用条件严苛、缺乏外部数据验
[ 8 ] MAO J J，CHEN Y H，XU L Y，et al. Applying machine
证模型稳健性等问题。
learning to the pharmacokinetic modeling of cyclosporine
4 总结
in adult renal transplant recipients：a multi-method com‐
PPK模型与AI技术的发展，虽然促进了器官移植受
parison[J]. Front Pharmacol，2022，13：1016399.
者免疫抑制剂个体化用药的进步，但仍面临诸多挑战： [ 9 ] TAN S B，KUMAR K S，TRUONG A T L，et al. Com-
首先，AI 的算法和编程需要专业人员操作，致使其解释 paring the performance of multiple small-data personalized
性较低，不利于临床医师的操作；其次，AI对个体化用药 tacrolimus dosing models for pediatric liver transplant：a
结果的输出，是基于算法的计算，故结果输出的速度受 retrospective study[J]. Annu Int Conf IEEE Eng Med Biol
制于算法计算的速度，致使其不利于处理患者的突发状 Soc，2023，2023：1-4.
况；最后，模型预测性能的评判指标未统一。故对于 AI [10] YOON S B，LEE J M，JUNG C W，et al. Machine-
模型，应进一步简化其算法，提高该类模型的解释性、简 learning model to predict the tacrolimus concentration and
便性，并缩短患者个性化文件配置以及预测结果输出的 suggest optimal dose in liver transplantation recipients：a
时间，同时推进AI模型预测性能评判指标以及变量纳入 multicenter retrospective cohort study[J]. Sci Rep，2024，
的统一，以推进AI模型在器官移植术后个体化用药中的 14（1）：19996.
[11] SONG X W，LIU F H，GAO H E，et al. Compare the per‐
发展。而PPK模型的建立，虽已积累众多经验且在临床
formance of multiple machine learning models in pre-
中的使用已较为广泛，但在变量纳入、描述他克莫司血
dicting tacrolimus concentration for infant patients with
药浓度生物标志物的选取等方面仍未达成共识。因此，
living donor liver transplantation[J]. Pediatr Transplant，
未来应在解决上述 AI 和 PPK 模型问题的基础上，基于
2023，27（1）：e14379.
PPK模型强大的剖析能力以选取显著的变量，进一步挖
[12] LECLERC V，BLEYZAC N，CERAULO A，et al. A deci‐
掘影响免疫制剂的显著因素，并基于挖掘的数据训练AI sion support tool to find the best cyclosporine dose when
模型以创建适用于多种族或多器官移植患者的个体化 switching from intravenous to oral route in pediatric stem
给药模型；此外，还应基于已报道的PPK或AI模型及建 cell transplant patients[J]. Eur J Clin Pharmacol，2020，76
模的相关变量进行前瞻性研究，以寻求最佳模型变量并 （10）：1409-1416.
考量模型的精确性、普适性和可推广性。 [13] CHOSHI H，MIYOSHI K，TANIOKA M，et al. Long
中国药房 2025年第36卷第14期 China Pharmacy 2025 Vol. 36 No. 14 · 1817 ·
