Page 110 - 《中国药房》2025年19期

准确率 准确率 准确率

类别0 类别1 类别2 类别0 类别1 类别2 类别0 类别1 类别2
准确率 准确率 准确率

类别0 类别1 类别2 类别0 类别1 类别2 类别0 类别1 类别2
图4 各模型混淆矩阵热力图对比
表2 RF模型自举法结合10-CV的核心性能评估结果 但在低浓度与中浓度类别上的识别准确率相对较低，提

指标 均值 95%CI 示其分类判别能力仍有限，考虑可能与数据分布不均
准确率 0.741 4 0.738 0～0.745 0 衡，关键特征在低、中浓度区间区分度不足，血药浓度本
平衡准确率 0.740 3 0.737 0～0.744 0 身存在生物学连续性导致类别边界模糊有关。已有研
宏平均精确率 0.732 1 0.728 0～0.736 0
宏平均召回率 0.736 0 0.732 0～0.740 0 究表明，RF 模型在临床决策支持任务中展现出一定的
宏平均F1 0.736 0 0.732 0～0.740 0 优势 ，本研究结果进一步支持其在个体化用药场景中
[12]
OvR-AUC 0.907 0 0.903 0～0.911 0
的应用潜力。TabPFN 模型同样展现出较优异的性能，
和万古霉素剂量，这些特征在一定程度上影响了模型的 且该模型在数据集较小且存在缺失值的情况下也能保
预测能力。以上结果表明，RF 模型能够有效捕捉到影 持高准确性，可能更适用于资源有限或数据质量欠佳的
[13]
响万古霉素血药浓度的关键临床指标。 现实医疗环境 。这一发现与临床机器学习领域的发
[12]
展趋势相契合 ：不同算法因其内在假设各异，对数据
肌酐
万古霉素日累计量 的适应性也不同，应通过系统性评估筛选最优模型。
万古霉素给药频率 3.2 本研究的临床意义
尿素氮
特征 红细胞分布宽度 机器学习能有效处理药代动力学中的复杂非线性
磷酸盐
丙氨酸转氨酶 关系，其预测性能已表现出优于传统统计方法的潜
年龄
[14]
游离钙 低 力 。本研究基于 MIMIC-Ⅳ数据库，整合患者病理生
万古霉素剂量 中
高 理状态与万古霉素药代动力学特性，构建并比较多种机
0.00 0.02 0.04 0.06 0.08 0.10 器学习模型的分类预测性能。结果显示，万古霉素给药
SHAP值
图5 SHAP摘要图 剂量和频率、患者肌酐、尿素氮等肾功能指标变量是影
响血药浓度的关键预测因子，其中RF和TabPFN模型优
3 讨论 于其他模型。本研究构建的机器学习模型具备一定的
3.1 本研究的主要发现 临床应用潜力，可为 TDM 提供辅助决策支持。未来可
本研究通过评估6种机器学习模型在多分类任务中 通过封装为轻量级应用程序编程接口嵌入电子病历系
的表现，发现 RF 和 TabPFN 模型在分类精度（准确率＞ 统，实现临床集成；并开展多中心外部验证，评估机器学
0.73）和区分能力（OvR-AUC＞0.89）上优于其他模型， 习模型泛化能力与应用价值，推动精准医学发展。

· 2452 · China Pharmacy 2025 Vol. 36 No. 19 中国药房 2025年第36卷第19期