En model for prædiktion af lægemiddelkoncentration af vancomycin

Baggrund: Vancomycin er et glycopeptidantibiotikum, der primært bruges til at behandle infektioner forårsaget af methicillin-resistente Staphylococcus aureus (MRSA). Som et tidsafhængigt antibiotikum er serumkoncentrationen af ​​vancomycin tæt forbundet med den kliniske effekt, toksicitet og fremkomsten af ​​lægemiddelresistens. Derfor betragtes terapeutisk lægemiddelovervågning (TDM) som en vigtig komponent i vancomycinbehandlingshåndtering. I henhold til retningslinjerne for vancomycinovervågning anbefales det at opretholde en serumvancomycinkoncentration på 15-20 mg/L hos patienter med alvorlige infektioner for at forbedre de kliniske resultater og forhindre lægemiddelresistens. Serum-vancomycin-koncentrationstest er dog ikke udbredt i klinisk praksis, især i ressourcebegrænsede områder og medicinske institutioner, så individualiseret overvågning er fortsat en udfordring. I øjeblikket bruger undersøgelser af vancomycinkoncentrationsforudsigelse generelt den populationsfarmakokinetiske (PPK) model. Denne model er dog påvirket af mange faktorer såsom alder, vægt og kreatininclearance rate. Men da kritisk syge patienter har komplekse sygdomme ledsaget af dysfunktion af flere organer, kan vancomycins farmakokinetik blive ændret. Hos sådanne patienter er evidensen for koncentrationsforudsigelse ved hjælp af PPK-modeller utilstrækkelig.

I øjeblikket kan de hurtigt udviklende maskinlæringsmetoder hjælpe med at fange ikke-lineære variabelforhold, mens de foretager forudsigelser gennem flere variabler for at opnå en høj grad af nøjagtighed i forudsigelsesresultater. Denne undersøgelse har til formål at bruge maskinlæringsmetoder til at etablere en optimal model til at forudsige serum vancomycin dalkoncentrationer hos kritisk syge patienter.

Formål: Denne undersøgelse har til formål at udtrække serumvancomycinkoncentrationsdata fra Critical Care Database fra Peking Union Medical College Hospital fra januar 2014 til december 2023 og bruge maskinlæringsmetoder til at etablere den optimale model til at forudsige vancomycinkoncentrationer hos kritisk syge patienter.

Metoder: (1) Dette er et enkelt-center, retrospektivt studie. Data om serumvancomycinkoncentration i Critical Care-databasen fra Peking Union Medical College Hospital blev screenet. Efter opfyldelse af berettigelseskriterierne, indsamles de kliniske data for inkluderede patienter gennem det indlagte journalsystem, herunder demografiske karakteristika, sværhedsgrad, laboratorietestoplysninger og behandlingsoplysninger. (2) Efter at have udtrukket de tilgængelige data, bruges fem modeller for maskinlæring, inklusive Lineær Regression, Lasso Regression, Ridge Regression, Random Forest og LightGBM, til at bygge forudsigelsesmodeller. Modellen med den bedste forudsigelsesnøjagtighed er valgt ud fra den procentvise fejl (PE), den gennemsnitlige procentvise fejl (MPE) og den gennemsnitlige absolutte procentvise fejl (MAPE). (3) MIMIC-IV (Medical Information Mart for Intensive Care) databasen bruges til at udføre ekstern validering af modellen konstrueret ved maskinlæring. Desuden vil efterforskerne sammenligne den prædiktive ydeevne af PPK-modellen med den konstruerede model.

Kvalitetskontrol: Patienter som opfylder inklusionskriterierne er inkluderet. Patienter med manglende information tilmeldes ikke for at reducere bias. Oplysningerne om inkluderede patienter registreres og registreres af en dedikeret forskningsperson.

Etik og beskyttelse af patientens privatliv: Personlige oplysninger i undersøgelsen vil kun blive brugt til de formål, der er beskrevet i protokollen for denne undersøgelse. Indhentede medicinske oplysninger vil blive holdt fortrolige. Resultaterne vil også blive offentliggjort i akademiske tidsskrifter uden at afsløre nogen identificerbar patientinformation. Undersøgelsen er blevet godkendt af den medicinske etiske komité på Peking Union Medical College Hospital (K24C1161).