Een model voor de voorspelling van de geneesmiddelconcentratie van vancomycine

Achtergrond: Vancomycine is een glycopeptide-antibioticum dat voornamelijk wordt gebruikt voor de behandeling van infecties veroorzaakt door methicilline-resistente Staphylococcus aureus (MRSA). Als tijdsafhankelijk antibioticum hangt de serumconcentratie van vancomycine nauw samen met de klinische werkzaamheid, toxiciteit en het ontstaan ​​van geneesmiddelresistentie. Daarom wordt therapeutische geneesmiddelenmonitoring (TDM) beschouwd als een belangrijk onderdeel van de behandeling met vancomycine. Volgens de surveillancerichtlijnen van vancomycine wordt aanbevolen om bij patiënten met ernstige infecties een serum-vancomycineconcentratie van 15-20 mg/l te handhaven om de klinische uitkomsten te verbeteren en resistentie tegen geneesmiddelen te voorkomen. Het testen van serum-vancomycineconcentraties wordt echter niet veel gebruikt in klinische praktijken, vooral niet in gebieden met beperkte middelen en medische instellingen, dus geïndividualiseerde monitoring blijft een uitdaging. Momenteel maken onderzoeken naar de voorspelling van de vancomycineconcentratie over het algemeen gebruik van het populatiefarmacokinetische (PPK) model. Dit model wordt echter beïnvloed door vele factoren, zoals leeftijd, gewicht en snelheid van creatinineklaring. Omdat ernstig zieke patiënten echter complexe ziekten hebben die gepaard gaan met disfunctie van meerdere organen, kan de farmacokinetiek van vancomycine veranderen. Bij dergelijke patiënten is het bewijs voor concentratievoorspelling met behulp van PPK-modellen onvoldoende.

Momenteel kunnen de zich snel ontwikkelende methoden voor machinaal leren helpen bij het vastleggen van niet-lineaire relaties tussen variabelen en het maken van voorspellingen via meerdere variabelen om een ​​hoge mate van nauwkeurigheid in de voorspellingsresultaten te bereiken. Deze studie heeft tot doel machine learning-methoden te gebruiken om een ​​optimaal model op te stellen voor het voorspellen van serum-vancomycine-dalconcentraties bij ernstig zieke patiënten.

Doel: Deze studie heeft tot doel de serum-vancomycineconcentratiegegevens uit de Critical Care Database van het Peking Union Medical College Hospital van januari 2014 tot december 2023 te extraheren en machine learning-methoden te gebruiken om het optimale model vast te stellen voor het voorspellen van vancomycineconcentraties bij ernstig zieke patiënten.

Methoden: (1) Dit is een retrospectief onderzoek in één centrum. Gegevens over de serum-vancomycineconcentratie in de Critical Care Database van het Peking Union Medical College Hospital werden gescreend. Nadat aan de geschiktheidscriteria is voldaan, worden de klinische gegevens van de geïncludeerde patiënten verzameld via het intramurale medische dossiersysteem, inclusief demografische kenmerken, ernstscores, laboratoriumtestinformatie en behandelingsinformatie. (2) Na het extraheren van de beschikbare gegevens worden vijf modellen van machine learning, waaronder Lineaire Regressie, Lasso Regressie, Ridge Regressie, Random Forest en LightGBM, gebruikt om voorspellingsmodellen te bouwen. Het model met de beste voorspellingsnauwkeurigheid wordt geselecteerd op basis van de procentuele fout (PE), de gemiddelde procentuele fout (MPE) en de gemiddelde absolute procentuele fout (MAPE). (3) De MIMIC-IV-database (Medical Information Mart for Intensive Care) wordt gebruikt om externe validatie uit te voeren van het door machine learning geconstrueerde model. Bovendien zullen de onderzoekers de voorspellende prestaties van het PPK-model vergelijken met het geconstrueerde model.

Kwaliteitscontrole: Patiënten die aan de inclusiecriteria voldoen, worden geïncludeerd. Patiënten met ontbrekende informatie worden niet ingeschreven om bias te verminderen. De gegevens van geïncludeerde patiënten worden geregistreerd en geregistreerd door een toegewijde onderzoekspersoon.

Ethiek en bescherming van de privacy van patiënten: Persoonlijke informatie in het onderzoek zal alleen worden gebruikt voor de doeleinden die worden beschreven in het protocol voor dit onderzoek. De verkregen medische informatie wordt vertrouwelijk behandeld. De resultaten zullen ook worden gepubliceerd in wetenschappelijke tijdschriften zonder enige identificeerbare patiëntinformatie te onthullen. De studie is goedgekeurd door de Medisch Ethische Commissie van het Peking Union Medical College Hospital (K24C1161).