Page 100 - 《中国药房》2026年4期
P. 100

普遍低于 20%，这类条目反映医生的干预行为（如使用                          等关键指标发现，Logistic 回归模型的各项评估指标相
          护肝、升白细胞等药物），对 ADR 的识别依赖于医生是                         对均衡，整体表现最佳，在高灵敏度场景下更具实用性；
          否将药物用于处理疑似ADR，而非用于基础疾病治疗或                           XGBoost 和 LightGBM 虽在 AUC 上与 Logistic 回归模型
          预防，因此该类条目的阳性预测值普遍较低。                                较为接近，但在召回率、F1 值等综合指标方面并未表现
              此外，本研究中，阳性预测值低于 10% 的条目包括                       出明显优势。笔者分析认为，Logistic 回归模型优于其
         “高敏肌钙蛋白＞14 ng/L”“促甲状腺激素＜0.33 mU/L                    余几种机器学习模型的原因可能包括以下几点：（1）本
          或总甲状腺素＞224 nmol/L”“高血压”“出血”等，尽管在                    研究中，SAR 阳性事件数相对有限（83/483），限制了复
          专家函询时获得了较高的重要性评分（3.63～4.38 分），                      杂机器学习模型在避免过拟合前提下充分挖掘非线性
          但其临床特异性不强，实际触发效果有限。                                 关系的能力；（2）本研究纳入的预测变量与结果（SAR是
          3.2 SAR影响因素分析                                       否发生）之间的关系多呈线性或可加性，削弱了非线性
              本研究采用 Boruta 算法从 39 项临床变量中筛选出                   模型的优势，更符合 Logistic 回归的建模假设；（3）相较
          7个候选特征变量。多因素Logistic回归分析结果显示，                       于其余模型，Logistic 回归模型的可解释性有助于特征
          血钾水平较高（OR＝0.234，P＝0.002）为贝伐珠单抗致                     筛选和临床验证，从而确保了纳入的预测因子具有临床
          SAR发生的保护因素，表明电解质稳态在该药安全风险                           相关性 。
                                                                    [23]
                                     [19]
          防控中具有重要意义。Lima 等 基于大样本住院人群                          3.4 列线图的临床应用价值
          的研究表明，血钾水平升高（≥4.9 mmol/L）是固体剂型                          本研究将最优模型（Logistic回归模型）以列线图形
          抗肿瘤药物致 ADR 发生的独立危险因素之一，与本研
                                                              式呈现，可整合多项实验室指标与一般临床特征，便于
          究结果有所不同，这可能与纳入人群构成、ADR 类型差
                                                              临床计算出个体化的SAR发生率，并在贝伐珠单抗治疗
          异有关，但二者均反映出钾离子异常与抗肿瘤药物致
                                                              前及治疗过程中开展动态风险分层。总体而言，对于总
          ADR高度相关，临床需重点关注。
                                                              积分较高的患者，临床应警惕其潜在增加的用药风险，
              多因素 Logistic 回归分析结果显示，既往有高血压
                                                              及时关注与SAR相关的电解质异常、血液学变化及出血
          病史（OR＝2.642，P＝0.006）、年龄增加（OR＝1.040，P＝
                                                              相关事件等信号，并结合患者基础状况（如合并高血压
          0.025）是贝伐珠单抗致SAR发生的危险因素，提示相关
                                                              等）合理调整随访及监测频率；对于总积分较低的患者，
          SAR 的发生可能与患者基础心血管状态存在关联。已                           其短期安全性尚可，但临床仍需按常规流程管理。需要
          有研究指出，在使用贝伐珠单抗治疗的转移性结直肠癌
                                                              强调的是，列线图仅作为临床风险估计及分层管理的参
          患者中，既往高血压史（OR＝3.30）及年龄≥60岁（OR＝
                                                              考工具，并不能替代临床综合判断，其外推应用仍需进
          2.04）是此类患者高血压等 ADR 发生的独立危险因
            [20]
          素 ；另有研究指出，与中青年患者相比，老年患者（尤                           一步的外部验证。
                                                              3.5 本研究局限性
          其是合并高血压病史等心血管高危因素的老年患者）在
                                                                  本研究存在如下不足：（1）本研究为单中心研究，样
          接受贝伐珠单抗等抗血管内皮生长因子药物治疗后，更
                                                              本量相对有限，且ADR的判定依赖人工审核，难以完全
          易出现高血压、蛋白尿等 ADR，临床需进行更为严格的
          评估和监护 。贝伐珠单抗可通过抑制血管内皮生长                             避免主观误差。（2）模型变量主要取自常规临床记录，累
                    [21]
                                                              积剂量、具体联合用药等潜在风险因子因数据库限制而
          因子信号通路而引发血管内皮功能障碍、微血管稀疏和
                        [22]
          血流动力学失衡 ，这可能是该药心血管毒性发生的潜                            未实现系统化提取；此外，本研究以“抗肿瘤药物品种
                                                              数”作为替代指标，虽能在一定程度上反映联合用药情
          在机制。
                                                              况，但无法精确反映剂量-反应关系及药物间的相互作
          3.3 预测模型的构建及评估
                                                              用。（3）本研究贝伐珠单抗致SAR中，重度低钾血症和出
              本研究基于经Boruta算法筛选得到的7个候选特征
          变量，并基于此分别构建了5种机器学习模型以预测贝                            血相关事件较为常见，其余类型事件数量有限，故本研
          伐珠单抗相关 SAR 的发生风险。其中，Logistic 回归作                    究所建预测模型的外推性尚需在多中心、大样本的研究
          为广义线性模型，可通过逻辑函数将输出映射至0～1区                           中进一步验证。
                                [23]
          间，适用于二元分类变量 ；XGBoost 和 LightGBM 基于                  4 结语
          梯度提升树算法，能够在大规模、高维度或稀疏特征数                                基于GTT理念与德尔菲法筛选的触发器条目，可显
          据中有效捕捉复杂的非线性关系及高阶交互作用 ；随                            著提高贝伐珠单抗相关 ADR 的识别效率，具有较高的
                                                     [24]
          机森林模型是基于决策树的集成学习算法，其运行逻辑                            临床应用价值，该方法可作为医疗机构开展药物警戒与
          是通过构建多棵基于随机样本和随机特征的决策树，提                            安全管理的有效工具，为ADR主动监测提供实践参考。
                                 [24]
          高模型的准确性和鲁棒性 ；CatBoost 则具有较高的精                       所有候选模型中，Logistic回归模型表现最优，可为临床
          确度和可扩展性，尤其适用于包含多类别变量的大规                             使用贝伐珠单抗的风险评估和干预策略制定提供可行
                         [25]
          模、高维度数据集 。                                          路径及证据支撑。未来可结合自动化数据采集与算法
              本研究通过综合评估测试集的AUC、F1值、召回率                        优化，探索智能化药物安全监测平台的建设。


          · 502 ·    China Pharmacy  2026 Vol. 37  No. 4                               中国药房  2026年第37卷第4期
   95   96   97   98   99   100   101   102   103   104   105