Ein Modell zur Vorhersage der Arzneimittelkonzentration von Vancomycin

Hintergrund: Vancomycin ist ein Glykopeptid-Antibiotikum, das hauptsächlich zur Behandlung von Infektionen eingesetzt wird, die durch Methicillin-resistenten Staphylococcus aureus (MRSA) verursacht werden. Als zeitabhängiges Antibiotikum steht die Serumkonzentration von Vancomycin in engem Zusammenhang mit der klinischen Wirksamkeit, Toxizität und dem Auftreten von Arzneimittelresistenzen. Daher gilt die therapeutische Arzneimittelüberwachung (TDM) als wichtiger Bestandteil des Vancomycin-Behandlungsmanagements. Gemäß den Vancomycin-Überwachungsrichtlinien wird empfohlen, bei Patienten mit schweren Infektionen eine Serum-Vancomycin-Konzentration von 15–20 mg/l aufrechtzuerhalten, um die klinischen Ergebnisse zu verbessern und Arzneimittelresistenzen vorzubeugen. Allerdings wird die Bestimmung der Vancomycin-Konzentration im Serum in der klinischen Praxis, insbesondere in ressourcenbeschränkten Gebieten und medizinischen Einrichtungen, nicht häufig eingesetzt, so dass eine individuelle Überwachung weiterhin eine Herausforderung darstellt. Derzeit verwenden Studien zur Vorhersage der Vancomycin-Konzentration im Allgemeinen das Populationspharmakokinetikmodell (PPK). Dieses Modell wird jedoch von vielen Faktoren wie Alter, Gewicht und Kreatinin-Clearance-Rate beeinflusst. Da jedoch schwerkranke Patienten komplexe Erkrankungen haben, die mit Funktionsstörungen mehrerer Organe einhergehen, kann die Pharmakokinetik von Vancomycin verändert sein. Bei solchen Patienten ist die Evidenz für die Konzentrationsvorhersage mithilfe von PPK-Modellen unzureichend.

Derzeit können die sich schnell entwickelnden Methoden des maschinellen Lernens dabei helfen, nichtlineare Variablenbeziehungen zu erfassen und gleichzeitig Vorhersagen anhand mehrerer Variablen zu treffen, um ein hohes Maß an Genauigkeit bei den Vorhersageergebnissen zu erzielen. Ziel dieser Studie ist es, mithilfe maschineller Lernmethoden ein optimales Modell zur Vorhersage der Vancomycin-Talkonzentrationen im Serum bei kritisch kranken Patienten zu etablieren.

Ziel: Diese Studie zielt darauf ab, die Serum-Vancomycin-Konzentrationsdaten aus der Critical Care Database des Peking Union Medical College Hospital von Januar 2014 bis Dezember 2023 zu extrahieren und mithilfe maschineller Lernmethoden das optimale Modell zur Vorhersage der Vancomycin-Konzentrationen bei kritisch kranken Patienten zu erstellen.

Methoden: (1) Dies ist eine monozentrische, retrospektive Studie. Daten zur Serum-Vancomycin-Konzentration in der Critical Care Database des Peking Union Medical College Hospital wurden gescreent. Nach Erfüllung der Zulassungskriterien werden die klinischen Daten der eingeschlossenen Patienten über das stationäre Krankenaktensystem erfasst, einschließlich demografischer Merkmale, Schweregradbewertungen, Informationen zu Labortests und Behandlungsinformationen. (2) Nach dem Extrahieren der verfügbaren Daten werden fünf Modelle des maschinellen Lernens verwendet, darunter lineare Regression, Lasso-Regression, Ridge-Regression, Random Forest und LightGBM, um Vorhersagemodelle zu erstellen. Das Modell mit der besten Vorhersagegenauigkeit wird basierend auf dem prozentualen Fehler (PE), dem mittleren prozentualen Fehler (MPE) und dem mittleren absoluten prozentualen Fehler (MAPE) ausgewählt. (3) Die Datenbank MIMIC-IV (Medical Information Mart for Intensive Care) wird zur externen Validierung des durch maschinelles Lernen erstellten Modells verwendet. Darüber hinaus vergleichen die Forscher die Vorhersageleistung des PPK-Modells mit dem konstruierten Modell.

Qualitätskontrolle: Patienten, die die Einschlusskriterien erfüllen, werden eingeschlossen. Patienten mit fehlenden Informationen werden nicht aufgenommen, um Verzerrungen zu vermeiden. Die Informationen der eingeschlossenen Patienten werden von einer engagierten Forschungsperson erfasst und registriert.

Ethik und Schutz der Privatsphäre der Patienten: Persönliche Daten in der Studie werden nur für die im Protokoll dieser Studie beschriebenen Zwecke verwendet. Erhaltene medizinische Informationen werden vertraulich behandelt. Die Ergebnisse werden auch in Fachzeitschriften veröffentlicht, ohne dass identifizierbare Patienteninformationen preisgegeben werden. Die Studie wurde von der medizinischen Ethikkommission des Peking Union Medical College Hospital (K24C1161) genehmigt.