Model pro predikci koncentrace léčiva vankomycinu

Východiska: Vankomycin je glykopeptidové antibiotikum primárně používané k léčbě infekcí způsobených methicilin-rezistentním Staphylococcus aureus (MRSA). Jako časově závislé antibiotikum sérová koncentrace vankomycinu úzce souvisí s klinickou účinností, toxicitou a vznikem lékové rezistence. Terapeutické monitorování léčiv (TDM) je proto považováno za důležitou součást managementu léčby vankomycinem. Podle pokynů pro sledování vankomycinu se u pacientů se závažnými infekcemi doporučuje udržovat sérovou koncentraci vankomycinu 15–20 mg/l, aby se zlepšily klinické výsledky a zabránilo se rezistenci na léky. Testování koncentrace vankomycinu v séru se však v klinické praxi příliš nepoužívá, zejména v oblastech s omezenými zdroji a zdravotnických zařízeních, takže individuální monitorování zůstává výzvou. V současné době studie predikce koncentrace vankomycinu obecně používají populační farmakokinetický (PPK) model. Tento model je však ovlivněn mnoha faktory, jako je věk, hmotnost a míra clearance kreatininu. Protože však kriticky nemocní pacienti mají komplexní onemocnění doprovázená dysfunkcí více orgánů, farmakokinetika vankomycinu může být změněna. U těchto pacientů jsou důkazy pro predikci koncentrace pomocí PPK modelů nedostatečné.

V současné době mohou rychle se rozvíjející metody strojového učení pomoci zachytit nelineární vztahy proměnných a zároveň předpovídat prostřednictvím více proměnných, aby bylo dosaženo vysokého stupně přesnosti výsledků predikce. Tato studie se zaměřuje na použití metod strojového učení k vytvoření optimálního modelu pro predikci sérových minimálních koncentrací vankomycinu u kriticky nemocných pacientů.

Cíl: Tato studie si klade za cíl získat data o koncentraci vankomycinu v séru z databáze Critical Care of Peking Union Medical College Hospital od ledna 2014 do prosince 2023 a pomocí metod strojového učení vytvořit optimální model pro předpovídání koncentrací vankomycinu u kriticky nemocných pacientů.

Metody: (1)Jedná se o jednocentrovou retrospektivní studii. Byla provedena screeningová data o koncentraci vankomycinu v séru v Critical Care Database of Peking Union Medical College Hospital. Po splnění kritérií způsobilosti jsou klinická data zahrnutých pacientů shromážděna prostřednictvím systému zdravotních záznamů hospitalizovaných pacientů, včetně demografických charakteristik, skóre závažnosti, informací o laboratorních testech a informací o léčbě. (2) Po extrahování dostupných dat je k sestavení predikčních modelů použito pět modelů strojového učení, včetně lineární regrese, lasové regrese, Ridge regrese, náhodného lesa a LightGBM. Model s nejlepší přesností predikce je vybrán na základě procentuální chyby (PE), průměrné procentuální chyby (MPE) a průměrné absolutní procentuální chyby (MAPE). (3) Databáze MIMIC-IV (Medical Information Mart for Intensive Care) se používá k provádění externí validace modelu vytvořeného strojovým učením. Kromě toho budou vyšetřovatelé porovnávat prediktivní výkon modelu PPK s konstruovaným modelem.

Kontrola kvality: Jsou zahrnuti pacienti, kteří splňují kritéria pro zařazení. Pacienti s chybějícími informacemi nejsou zařazováni, aby se omezilo zkreslení. Informace o zahrnutých pacientech zaznamenává a registruje specializovaná výzkumná osoba.

Etika a ochrana soukromí pacienta: Osobní údaje ve studii budou použity pouze pro účely popsané v protokolu pro tuto studii. Získané lékařské informace budou považovány za důvěrné. Výsledky budou také publikovány v akademických časopisech bez odhalení jakýchkoli identifikovatelných informací o pacientech. Studie byla schválena lékařskou etickou komisí nemocnice Peking Union Medical College Hospital (K24C1161).