Page 117 - 《中国药房》2026年1期
P. 117

要性。总体而言，AKI预测模型正从单一算法向融合多                          结直肠癌患者使用氟嘧啶后30 d内心脏ADRs的发生情
          组学特征的方向演进。                                         况进行预测。另有研究基于乳腺癌患者对多种算法（如
          2.2 肝脏ADRs预测                                       支持向量机、多层感知机、随机森林等）进行了比较，最
              药物性肝损伤（drug-induced liver injury，DILI）作为       终确定了随机森林模型在蒽环类化疗药物相关心电图
                                                                                 [28]
          药物临床应用过程中备受关注的 ADRs，直接影响了临                         异常预测中的应用优势 。严重心脏ADRs受患者身体
          床试验受试者的安全性和试验结果的可靠性，与临床决                           情况、治疗方案的影响较大，因而其预测多聚焦于特定
                                                                 [25]
                                                                             [27]
          策和患者用药风险密切相关。目前，我国DILI的年发生                         药物 或特定人群 ，这也使得此类研究受到样本量较
                                                      [19]
          率为0.023 8%，高于西方国家报道的0.001%～0.02% 。                 小的制约，从而出现模型过拟合风险高、泛化能力差、难
          DILI 的诊断主要依赖于对患者用药史的回顾性分析和                         以发现特异性生物标志物等问题。为解决该问题，
                                                                        [29]
          其他致肝损伤原因（如病毒性肝炎等）的排除，这存在一                          Heilbroner等 利用CancerLinQ数据库中接受程序性死
          定局限性，因此利用机器学习构建预测模型为早期识别                           亡受体 1、程序性死亡受体配体 1 抑制剂治疗的恶性肿
          和预防DILI提供了一种新手段。                                   瘤患者的临床数据，建立了具有良好预测性能的心脏
                  [20]
                                                                                                   [30]
              He等 将临床特征（如年龄、白蛋白水平、间接胆红                       ADRs 预测模型（AUROC 为 0.65）；Araújo 等 采用数据
          素水平等）与基因组学相结合，采用岭回归算法构建了                           增强与平滑技术合成数据，成功构建了多柔比星相关心
          高剂量甲氨蝶呤致急性淋巴细胞白血病儿童肝损伤的                            脏 ADRs 的高精度预测模型（AUROC 为 0.85）。总体而
          风险评分模型，该模型为DILI的精准预测提供了重要的                         言，机器学习能够实现心脏ADRs的早期预警，为恶性肿
                            [21]
          方法学参考。Han 等 探索了多种酪氨酸激酶抑制剂                          瘤治疗期间心脏安全性个性化管理奠定了重要基础。
         （tyrosine kinase inhibitor，TKI）相关DILI的发生风险，并        2.4 骨髓ADRs预测
          对研究数据进行整合，再利用逻辑回归、弹性网络和随                               骨髓 ADRs 指化疗、放疗等多种因素导致的骨髓造
          机森林等机器学习方法开发了基于风险评分的 TKI 相                         血功能下降，具体表现为外周血中1种或多种血细胞（红
          关 DILI 预测模型，实现了多种模型架构的对比和探索。                       细胞、白细胞、血小板等）数量减少；骨髓ADRs不仅会导
                [22]
          Zeng等 利用自动化机器学习构建了梯度提升机模型，                         致患者出现乏力等症状，还会增加患者的感染风险和出
          该模型成功预测了抗结核药物相关DILI的发生风险。                          血倾向，从而使得既定抗肿瘤治疗中断或减量，最终影
              DILI 病因复杂，临床决策将直接影响患者预后，因                      响患者的长期生存获益 。目前，骨髓 ADRs 的监测主
                                                                                  [31]
          而临床上对 DILI 预测模型的可解释性要求相对较高。                        要依赖于定期血常规检查和治疗过程中的临床症状观
                  [23]
          如 Xiao 等 通过结核病相关 DILI 可解释性预测模型阐                    察，但易受早期特异性信号难捕捉、不同药物骨髓ADRs
          述了DILI的发生与患者既往肝脏相关疾病史（如药物性                         异质性强等影响，导致传统监测方法难以实现个体化风
          肝炎、脂肪性肝病）、年龄、谷丙转氨酶和总胆红素水平                          险评估。因此，开发可预测骨髓 ADRs 发生风险的模型
          高度相关。总体而言，机器学习多种算法的整合、临床                           具有重要临床价值。
          可解释性的增强推动了 DILI 预测模型从算法创新向临                            在骨髓 ADRs 预测中，部分研究聚焦于特定药物的
                                                                                    [32]
          床应用的转化，可为不同药物类型、不同人群的 DILI 风                       靶向毒性预测。如刘阳等 采用 XGBoost 算法对多柔
          险管控提供循证支持。                                         比星联合环磷酰胺序贯多西他赛治疗乳腺癌所导致的
          2.3 心脏ADRs预测                                       骨髓ADRs实现了高精度的预测（AUROC为0.94）；Jiang
                                                               [33]
              心脏 ADRs 是抗肿瘤药物的常见副作用（如心肌病                      等 基于白细胞、血小板计数等关键特征，采用XGBoost
          等），发生率高达20%，能够导致恶性肿瘤患者过早死亡                         算法预测布鲁顿酪氨酸激酶抑制剂相关严重血液毒
                                                                                                       [34]
                                   [24]
          或其他不良临床结局的发生 。因此，早期预测心脏                            性的发生风险（真阴性率为 0.913）；Van Dung 等 利用
          ADRs 对改善患者临床结局、提高患者生活质量具有重                         轻量级梯度提升机算法开发了万古霉素、氯吡格雷等药
          要意义。                                               物诱导免疫性血小板减少症的风险预测模型（AUROC
              在心脏 ADRs 预测中，研究者最初聚焦于传统化疗                      为 0.81）。由于骨髓 ADRs 预测模型高度依赖于动态时
          药物的预测，关注数据多样性对预测模型精度的影响。                           序变化的数据，且与感染等严重并发症密切相关，因此
                             [26]
                 [25]
          Chaix 等 和 Öztürk 等 分别通过融合多组学特征和多                   这类模型开发时需重点关注临床数据中的时序依赖关
                                                                                                       [35]
          模态数据，开发了蒽环类化疗药物相关心脏 ADRs 预测                        系以及并发症的发生风险。基于此，Shibahara等 开发
          模型和非蒽环类化疗药物相关心脏 ADRs 评分系统                          了一种基于加权支持向量机的机器学习算法，可对接受
         “CardTox-Score”。Li 等 通过比较 XGBoost、随机森林              尼莫司汀治疗的脑肿瘤患者的骨髓ADRs严重程度进行
                              [27]
                                                                          [36]
          和逻辑回归 3 种算法的性能，最终选择 XGBoost 算法对                    预测；Lavieri等 利用多元混合泊松回归算法建立了基

          中国药房  2026年第37卷第1期                                                 China Pharmacy  2026 Vol. 37  No. 1    · 107 ·
   112   113   114   115   116   117   118   119   120   121   122