Model przewidywania stężenia leku wankomycyny

Tło: Wankomycyna jest antybiotykiem glikopeptydowym stosowanym głównie w leczeniu zakażeń wywołanych przez opornego na metycylinę Staphylococcus aureus (MRSA). Jako antybiotyk zależny od czasu, stężenie wankomycyny w surowicy jest ściśle powiązane ze skutecznością kliniczną, toksycznością i pojawieniem się lekooporności. Dlatego też monitorowanie leku terapeutycznego (TDM) uważa się za ważny element zarządzania leczeniem wankomycyną. Zgodnie z wytycznymi dotyczącymi nadzoru nad wankomycyną, u pacjentów z ciężkimi zakażeniami zaleca się utrzymywanie stężenia wankomycyny w surowicy na poziomie 15–20 mg/l w celu poprawy wyników klinicznych i zapobiegania lekooporności. Jednakże badanie stężenia wankomycyny w surowicy nie jest powszechnie stosowane w praktyce klinicznej, zwłaszcza na obszarach o ograniczonych zasobach i w placówkach medycznych, dlatego indywidualne monitorowanie pozostaje wyzwaniem. Obecnie w badaniach dotyczących przewidywania stężenia wankomycyny na ogół wykorzystuje się model farmakokinetyki populacyjnej (PPK). Jednak na ten model wpływa wiele czynników, takich jak wiek, masa ciała i współczynnik klirensu kreatyniny. Jednakże, ponieważ u krytycznie chorych pacjentów występują złożone choroby, którym towarzyszy dysfunkcja wielu narządów, farmakokinetyka wankomycyny może ulec zmianie. U takich pacjentów dowody na przewidywanie stężenia za pomocą modeli PPK są niewystarczające.

Obecnie szybko rozwijające się metody uczenia maszynowego mogą pomóc w uchwyceniu nieliniowych zależności zmiennych podczas dokonywania prognoz na podstawie wielu zmiennych w celu osiągnięcia wysokiego stopnia dokładności wyników predykcji. Celem tego badania jest wykorzystanie metod uczenia maszynowego do ustalenia optymalnego modelu przewidywania minimalnego stężenia wankomycyny w surowicy u pacjentów w stanie krytycznym.

Cel: Celem tego badania jest wyodrębnienie danych dotyczących stężenia wankomycyny w surowicy z bazy danych intensywnej terapii szpitala Peking Union Medical College od stycznia 2014 r. do grudnia 2023 r. i wykorzystanie metod uczenia maszynowego w celu ustalenia optymalnego modelu przewidywania stężeń wankomycyny u pacjentów w stanie krytycznym.

Metody: (1) Jest to badanie retrospektywne, jednoośrodkowe. Przeanalizowano dane dotyczące stężenia wankomycyny w surowicy w bazie danych intensywnej terapii szpitala Peking Union Medical College Hospital. Po spełnieniu kryteriów kwalifikacyjnych dane kliniczne włączonych pacjentów są gromadzone za pośrednictwem systemu dokumentacji medycznej pacjentów szpitalnych, w tym charakterystyka demograficzna, punktacja ciężkości, informacje z badań laboratoryjnych i informacje dotyczące leczenia. (2) Po wyodrębnieniu dostępnych danych do budowy modeli predykcyjnych wykorzystuje się pięć modeli uczenia maszynowego, w tym regresję liniową, regresję Lasso, regresję grzbietową, losowy las i LightGBM. Model o największej dokładności predykcji wybierany jest na podstawie błędu procentowego (PE), średniego błędu procentowego (MPE) i średniego bezwzględnego błędu procentowego (MAPE). (3) Baza danych MIMIC-IV (Medical Information Mart for Intensive Care) służy do przeprowadzania zewnętrznej walidacji modelu skonstruowanego metodą uczenia maszynowego. Ponadto badacze porównają skuteczność predykcyjną modelu PPK z modelem skonstruowanym.

Kontrola jakości: Do badania włączani są pacjenci spełniający kryteria włączenia. Pacjenci, którym brakuje informacji, nie są rejestrowani, aby zmniejszyć stronniczość. Informacje o włączonych pacjentach są rejestrowane i rejestrowane przez dedykowaną osobę badawczą.

Etyka i ochrona prywatności pacjentów: Dane osobowe zawarte w badaniu zostaną wykorzystane wyłącznie w celach opisanych w protokole tego badania. Uzyskane informacje medyczne będą traktowane jako poufne. Wyniki zostaną również opublikowane w czasopismach akademickich, bez ujawniania jakichkolwiek informacji umożliwiających identyfikację pacjenta. Badanie zostało zatwierdzone przez Komisję Etyki Lekarskiej Szpitala Peking Union Medical College (K24C1161).