En modell for prediksjon av medikamentkonsentrasjon av vankomycin

Bakgrunn: Vancomycin er et glykopeptidantibiotikum som hovedsakelig brukes til å behandle infeksjoner forårsaket av meticillin-resistente Staphylococcus aureus (MRSA). Som et tidsavhengig antibiotikum er serumkonsentrasjonen av vankomycin nært knyttet til den kliniske effekten, toksisiteten og fremveksten av medikamentresistens. Derfor anses terapeutisk medikamentovervåking (TDM) som en viktig komponent i behandling av vankomycin. I henhold til retningslinjer for overvåking av vankomycin anbefales det å opprettholde en serumkonsentrasjon av vankomycin på 15-20 mg/L hos pasienter med alvorlige infeksjoner for å forbedre kliniske resultater og forhindre legemiddelresistens. Imidlertid er serumvankomycinkonsentrasjonstesting ikke mye brukt i klinisk praksis, spesielt i ressursbegrensede områder og medisinske institusjoner, så individualisert overvåking er fortsatt en utfordring. For tiden bruker studier på prediksjon av vankomycinkonsentrasjon generelt den populasjonsfarmakokinetiske (PPK) modellen. Imidlertid påvirkes denne modellen av mange faktorer som alder, vekt og kreatininclearance rate. Men siden kritisk syke pasienter har komplekse sykdommer ledsaget av multippel organdysfunksjon, kan vankomycins farmakokinetikk bli endret. Hos slike pasienter er beviset for konsentrasjonsprediksjon ved bruk av PPK-modeller utilstrekkelig.

For øyeblikket kan de raskt utviklende maskinlæringsmetodene hjelpe til med å fange ikke-lineære variabelforhold mens de foretar spådommer gjennom flere variabler for å oppnå en høy grad av nøyaktighet i prediksjonsresultater. Denne studien tar sikte på å bruke maskinlæringsmetoder for å etablere en optimal modell for å forutsi serum vancomycin bunnkonsentrasjoner hos kritisk syke pasienter.

Mål: Denne studien tar sikte på å trekke ut serumvankomycinkonsentrasjonsdata fra Critical Care Database ved Peking Union Medical College Hospital fra januar 2014 til desember 2023 og bruke maskinlæringsmetoder for å etablere den optimale modellen for å forutsi vankomycinkonsentrasjoner hos kritisk syke pasienter.

Metoder: (1) Dette er en enkeltsenter, retrospektiv studie. Data om serumvankomycinkonsentrasjon i Critical Care-databasen til Peking Union Medical College Hospital ble screenet. Etter å ha oppfylt kvalifikasjonskriteriene, samles de kliniske dataene til inkluderte pasienter inn gjennom pasientjournalsystemet, inkludert demografiske karakteristika, alvorlighetsgrad, laboratorietestinformasjon og behandlingsinformasjon. (2) Etter å ha trukket ut tilgjengelige data, brukes fem modeller for maskinlæring, inkludert lineær regresjon, lassogresjon, ryggregresjon, Random Forest og LightGBM, for å bygge prediksjonsmodeller. Modellen med best prediksjonsnøyaktighet velges basert på prosent feil (PE), gjennomsnittlig prosent feil (MPE) og gjennomsnittlig absolutt prosent feil (MAPE). (3) MIMIC-IV-databasen (Medical Information Mart for Intensive Care) brukes til å utføre ekstern validering av modellen konstruert ved maskinlæring. Videre vil etterforskerne sammenligne den prediktive ytelsen til PPK-modellen med den konstruerte modellen.

Kvalitetskontroll: Pasienter som oppfyller inklusjonskriteriene inkluderes. Pasienter med manglende informasjon blir ikke registrert for å redusere skjevhet. Informasjonen til inkluderte pasienter registreres og registreres av en dedikert forskerperson.

Etikk og personvern for pasienter: Personopplysninger i studien vil kun brukes til formålene beskrevet i protokollen for denne studien. Medisinsk informasjon innhentet vil bli holdt konfidensiell. Resultatene vil også bli publisert i akademiske tidsskrifter uten å avsløre identifiserbar pasientinformasjon. Studien er godkjent av den medisinske etiske komiteen ved Peking Union Medical College Hospital (K24C1161).