Un modèle de prévision de la concentration de médicament en vancomycine

Contexte : La vancomycine est un antibiotique glycopeptidique principalement utilisé pour traiter les infections causées par Staphylococcus aureus résistant à la méthicilline (SARM). En tant qu'antibiotique dépendant du temps, la concentration sérique de vancomycine est étroitement liée à l'efficacité clinique, à la toxicité et à l'émergence d'une résistance aux médicaments. Par conséquent, la surveillance thérapeutique des médicaments (TDM) est considérée comme un élément important de la gestion du traitement à la vancomycine. Selon les directives de surveillance de la vancomycine, il est recommandé de maintenir une concentration sérique de vancomycine de 15 à 20 mg/L chez les patients présentant des infections graves afin d'améliorer les résultats cliniques et de prévenir la résistance aux médicaments. Cependant, les tests de concentration sérique de vancomycine ne sont pas largement utilisés dans les pratiques cliniques, en particulier dans les zones aux ressources limitées et dans les établissements médicaux, de sorte qu'une surveillance individualisée reste un défi. Actuellement, les études sur la prévision des concentrations de vancomycine utilisent généralement le modèle pharmacocinétique de population (PPK). Cependant, ce modèle est affecté par de nombreux facteurs tels que l’âge, le poids et le taux de clairance de la créatinine. Cependant, étant donné que les patients gravement malades souffrent de maladies complexes accompagnées d'un dysfonctionnement de plusieurs organes, la pharmacocinétique de la vancomycine peut être modifiée. Chez ces patients, les preuves permettant de prédire la concentration à l’aide de modèles PPK sont insuffisantes.

Actuellement, les méthodes d’apprentissage automatique en développement rapide peuvent aider à capturer les relations de variables non linéaires tout en effectuant des prédictions via plusieurs variables afin d’obtenir un degré élevé de précision dans les résultats de prédiction. Cette étude vise à utiliser des méthodes d'apprentissage automatique pour établir un modèle optimal pour prédire les concentrations minimales de vancomycine sérique chez les patients gravement malades.

Objectif : Cette étude vise à extraire les données sur la concentration sérique de vancomycine de la base de données sur les soins intensifs du Peking Union Medical College Hospital de janvier 2014 à décembre 2023 et à utiliser des méthodes d'apprentissage automatique pour établir le modèle optimal pour prédire les concentrations de vancomycine chez les patients gravement malades.

Méthodes : (1) Il s’agit d’une étude rétrospective monocentrique. Les données sur la concentration sérique de vancomycine dans la base de données de soins intensifs du Peking Union Medical College Hospital ont été examinées. Après avoir satisfait aux critères d'éligibilité, les données cliniques des patients inclus sont collectées via le système de dossiers médicaux des patients hospitalisés, y compris les caractéristiques démographiques, les scores de gravité, les informations sur les tests de laboratoire et les informations sur le traitement. (2) Après avoir extrait les données disponibles, cinq modèles d'apprentissage automatique, dont la régression linéaire, la régression Lasso, la régression Ridge, Random Forest et LightGBM, sont utilisés pour créer des modèles de prédiction. Le modèle avec la meilleure précision de prédiction est sélectionné sur la base du pourcentage d'erreur (PE), du pourcentage d'erreur moyen (MPE) et du pourcentage d'erreur absolu moyen (MAPE). (3) La base de données MIMIC-IV (Medical Information Mart for Intensive Care) est utilisée pour effectuer une validation externe du modèle construit par apprentissage automatique. De plus, les enquêteurs compareront les performances prédictives du modèle PPK avec le modèle construit.

Contrôle qualité : Les patients qui répondent aux critères d'inclusion sont inclus. Les patients pour lesquels des informations manquent ne sont pas inscrits afin de réduire les biais. Les informations des patients inclus sont enregistrées et enregistrées par une personne de recherche dédiée.

Éthique et protection de la vie privée des patients : les informations personnelles contenues dans l'étude seront utilisées uniquement aux fins décrites dans le protocole de cette étude. Les informations médicales obtenues resteront confidentielles. Les résultats seront également publiés dans des revues académiques sans révéler aucune information identifiable sur le patient. L'étude a été approuvée par le comité d'éthique médicale du Peking Union Medical College Hospital (K24C1161).