Malli vankomysiinin lääkepitoisuuden ennustamiseksi

Tausta: Vankomysiini on glykopeptidiantibiootti, jota käytetään ensisijaisesti metisilliiniresistentin Staphylococcus aureuksen (MRSA) aiheuttamien infektioiden hoitoon. Ajasta riippuvaisena antibioottina vankomysiinin pitoisuus seerumissa liittyy läheisesti kliiniseen tehoon, toksisuuteen ja lääkeresistenssin syntymiseen. Siksi terapeuttista lääkeaineseurantaa (TDM) pidetään tärkeänä osana vankomysiinihoidon hallintaa. Vankomysiinin seurantaohjeiden mukaan on suositeltavaa säilyttää seerumin vankomysiinipitoisuus 15-20 mg/l potilailla, joilla on vakavia infektioita kliinisten tulosten parantamiseksi ja lääkeresistenssin ehkäisemiseksi. Seerumin vankomysiinipitoisuuden testausta ei kuitenkaan käytetä laajalti kliinisissä käytännöissä, etenkään resurssirajoitteisilla alueilla ja lääketieteellisissä laitoksissa, joten yksilöllinen seuranta on edelleen haaste. Tällä hetkellä vankomysiinipitoisuuden ennustamista koskevissa tutkimuksissa käytetään yleensä populaatiofarmakokineettistä (PPK) mallia. Tähän malliin vaikuttavat kuitenkin monet tekijät, kuten ikä, paino ja kreatiniinin puhdistuma. Koska kriittisesti sairailla potilailla on monimutkaisia ​​sairauksia, joihin liittyy useiden elinten toimintahäiriö, vankomysiinin farmakokinetiikka saattaa kuitenkin muuttua. Tällaisilla potilailla näyttö pitoisuuden ennustamisesta PPK-malleilla on riittämätön.

Tällä hetkellä nopeasti kehittyvät koneoppimismenetelmät voivat auttaa sieppaamaan epälineaarisia muuttujasuhteita ja tekemään ennusteita useiden muuttujien avulla, jotta ennustetulosten tarkkuus on korkea. Tämän tutkimuksen tavoitteena on käyttää koneoppimismenetelmiä luodakseen optimaalinen malli seerumin vankomysiinipitoisuuden ennustamiseksi kriittisesti sairailla potilailla.

Tavoite: Tämän tutkimuksen tarkoituksena on poimia seerumin vankomysiinipitoisuustiedot Peking Union Medical College Hospitalin Critical Care Database -tietokannasta tammikuusta 2014 joulukuuhun 2023 ja käyttää koneoppimismenetelmiä optimaalisen mallin ennustamiseen kriittisesti sairaiden potilaiden vankomysiinipitoisuuksien ennustamiseksi.

Menetelmät: (1) Tämä on yhden keskuksen retrospektiivinen tutkimus. Tiedot seerumin vankomysiinipitoisuudesta Peking Union Medical College Hospitalin Critical Care Database -tietokannassa seulottiin. Kelpoisuuskriteerien täyttyessä mukana olevien potilaiden kliiniset tiedot kerätään potilastietojärjestelmän kautta, mukaan lukien demografiset ominaisuudet, vakavuuspisteet, laboratoriotutkimustiedot ja hoitotiedot. (2) Saatavilla olevien tietojen poimimisen jälkeen ennustemallien rakentamiseen käytetään viittä koneoppimismallia, mukaan lukien lineaarinen regressio, lassoregressio, harjanteinen regressio, satunnaismetsä ja LightGBM. Parhaan ennustetarkkuuden omaava malli valitaan prosenttivirheen (PE), keskimääräisen prosenttivirheen (MPE) ja keskimääräisen absoluuttisen prosenttivirheen (MAPE) perusteella. (3) MIMIC-IV (Medical Information Mart for Intensive Care) -tietokantaa käytetään koneoppimisen avulla muodostetun mallin ulkoiseen validointiin. Lisäksi tutkijat vertaavat PPK-mallin ennakoivaa suorituskykyä rakennettuun malliin.

Laadunvalvonta: Mukaan otetaan potilaat, jotka täyttävät sisällyttämiskriteerit. Potilaita, joiden tiedot puuttuvat, ei oteta mukaan puolueellisuuden vähentämiseksi. Tutkimushenkilöstö tallentaa ja rekisteröi mukana olevien potilaiden tiedot.

Etiikka ja potilaan yksityisyyden suoja: Tutkimuksen henkilötietoja käytetään vain tämän tutkimuksen protokollassa kuvattuihin tarkoituksiin. Saadut lääketieteelliset tiedot pidetään luottamuksellisina. Tulokset julkaistaan ​​myös akateemisissa julkaisuissa paljastamatta tunnistettavia potilastietoja. Tutkimuksen on hyväksynyt Peking Union Medical College Hospitalin lääketieteellinen etiikkakomitea (K24C1161).