Page 111 - 《中国药房》2025年19期

3.3 本研究的局限性 taset[J]. Sci Data，2023，10（1）：1.
本研究在多分类任务评估中存在一定局限性：（1） [ 8 ] MRAMBA L K，LIU X，LYNCH K F，et al. Detecting po‐
研究采用了 ADASYN 过采样技术，其效果依赖于少数 tential outliers in longitudinal data with time-dependent
类的原始分布，若少数类样本过少或特征重叠严重，可 covariates[J]. Eur J Clin Nutr，2024，78（4）：344-350.
[ 9 ] YAN F J，CHEN X H，QUAN X Q，et al. Association be‐
能生成与多数类重叠的“虚假样本”，导致分类器混淆，
[15]
降低少数类的分类精度 。当类别之间存在重叠时， tween the stress hyperglycemia ratio and 28-day all-cause
mortality in critically ill patients with sepsis：a retrospec‐
OvR-AUC 评估方法的独立性假设可能不成立，从而导
tive cohort study and predictive model establishment
致 AUC 虚高，无法以 AUC 反映类别特定的误分类代价 based on machine learning[J]. Cardiovasc Diabetol，2024，
[16]
差异 。（2）特征工程未能充分表征浓度梯度变化规律， 23（1）：163.
导致低、中浓度区间区分能力受限。针对这一问题，可 [10] PRIYADHARSHINI M，BANU A F，SHARMA B，et al.
通过构建时序相关特征（如剂量-效应矩阵），引入药物 Hybrid multi-label classification model for medical appli‐
动力学相关的时序特征来提升模型对动态浓度变化的 cations based on adaptive synthetic data and ensemble
捕捉能力 。（3）一些潜在的混杂因素（如遗传多态性、 learning[J]. Sensors，2023，23（15）：6836.
[17]
合并用药、合并症或其他疾病表型等）可能对预测结果 [11] CHICCO D，JURMAN G. The advantages of the Mat‐
[18]
产生影响 ，但这些因素均未被本研究纳入，可能造成 thews correlation coefficient （MCC） over F1 score and
系统偏差。（4）单一模型可能难以全面捕捉数据中的复 accuracy in binary classification evaluation[J]. BMC Ge‐
杂模式，尤其在面对高维、非线性及多模态数据时表现 nomics，2020，21（1）：6.
受限，深度学习模型、图神经网络等先进架构有望弥补 [12] SWANSON K，WU E，ZHANG A，et al. From patterns to
patients：advances in clinical machine learning for cancer
[19]
这一短板 。（5）模型的验证目前仅基于内部数据和交 diagnosis，prognosis，and treatment[J]. Cell，2023，186
叉验证，尚未在外部独立数据集中进行测试，其泛化能 （8）：1772-1791.
力仍有待进一步验证。（6）尽管本研究中的 RF 和 Tab‐ [13] TRAN V Q，BYEON H. Predicting dementia in Parkinson’s
PFN模型在分类性能上表现出色，但其“黑箱”特性限制 disease on a small tabular dataset using hybrid LightGBM-
了对预测机制的深入理解。 TabPFN and SHAP[J]. Digit Health，2024，10：1-15.
4 结语 [14] HUI K H M，LUI C Y G，WU K L A，et al. Multi-center
机器学习模型 RF 和 TabPFN 在万古霉素血药谷浓 prospective population pharmacokinetic study and the per‐
度分类预测中表现出一定优势，但在低、中浓度类别上 formance of web-based individual dose optimization appli‐
的表现仍有改进空间。未来研究应优化试验设计与特 cation of intravenous vancomycin for adults in Hong
Kong：a study protocol[J]. PLoS One，2022，17（5）：
征工程，拓展多中心数据，验证模型的适用性，提升模型
e0267894.
性能和可解释性，推动机器学习在TDM中的实际应用。 [15] PEREIRA T，ABBASI M，OLIVEIRA J L，et al. Optimi-
参考文献 zing blood-brain barrier permeation through deep rein‐
[ 1 ] WILLIAMS P G，TABAH A，COTTA M O，et al. Interna‐ forcement learning for de novo drug design[J]. Bioinfor‐
tional survey of antibiotic dosing and monitoring in adult matics，2021，37（Suppl. 1）：i84-i92.
intensive care units[J]. Crit Care，2023，27（1）：241. [16] MBIZVO G K，LARNER A J. Receiver operating
[ 2 ] LIM A S，FOO S H W，BENJAMIN SENG J J，et al. Area- characteristic plot and area under the curve with binary
under-curve-guided versus trough-guided monitoring of classifiers：pragmatic analysis of cognitive screening
vancomycin and its impact on nephrotoxicity：a systematic instruments[J]. Neurodegener Dis Manag，2021，11（5）：
review and meta-analysis[J]. Ther Drug Monit，2023，45 353-360.
（4）：519-532. [17] HUANG X H，YU Z，WEI X，et al. Prediction of vanco‐
[ 3 ] ANGELOPOULOS A N，BATES S，FANNJIANG C， mycin dose on high-dimensional data using machine lear-
et al. Prediction-powered inference[J]. Science，2023，382 ning techniques[J]. Expert Rev Clin Pharmacol，2021，14
（6671）：669-674. （6）：761-771.
[ 4 ] HUANG X H，YU Z，BU S H，et al. An ensemble model [18] YIN M H，JIANG Y L，YUAN Y W，et al. Optimizing
for prediction of vancomycin trough concentrations in pedia- vancomycin dosing in pediatrics：a machine learning
tric patients[J]. Drug Des Devel Ther，2021，15：1549-1559. approach to predict trough concentrations in children
[ 5 ] OTA R，YAMASHITA F. Application of machine learning under four years of age[J]. Int J Clin Pharm，2024，46（5）：
techniques to the analysis and prediction of drug pharma‐ 1134-1142.
cokinetics[J]. J Control Release，2022，352：961-969. [19] ABBAS Q，DAADAA Y，RASHID U，et al. HDR-
[ 6 ] HOLLMANN N，MÜLLER S，PURUCKER L，et al. Ac‐ EfficientNet：a classification of hypertensive and diabetic
curate predictions on small data with a tabular foundation retinopathy using optimize EfficientNet architecture[J].
model[J]. Nature，2025，637（8045）：319-326. Diagnostics，2023，13（20）：3236.
[ 7 ] JOHNSON A E W，BULGARELLI L，SHEN L，et al. （收稿日期：2025-04-21 修回日期：2025-08-01）
MIMIC-Ⅳ，a freely accessible electronic health record da‐ （编辑：刘明伟）

中国药房 2025年第36卷第19期 China Pharmacy 2025 Vol. 36 No. 19 · 2453 ·