Um modelo para previsão da concentração de drogas de vancomicina

Antecedentes: A vancomicina é um antibiótico glicopeptídeo usado principalmente para tratar infecções causadas por Staphylococcus aureus resistente à meticilina (MRSA). Como antibiótico dependente do tempo, a concentração sérica de vancomicina está intimamente relacionada com a eficácia clínica, toxicidade e surgimento de resistência aos medicamentos. Portanto, o monitoramento terapêutico de medicamentos (TDM) é considerado um componente importante do manejo do tratamento com vancomicina. De acordo com as diretrizes de vigilância da vancomicina, recomenda-se manter uma concentração sérica de vancomicina de 15-20 mg/L em pacientes com infecções graves, a fim de melhorar os resultados clínicos e prevenir a resistência aos medicamentos. No entanto, os testes de concentração sérica de vancomicina não são amplamente utilizados na prática clínica, especialmente em áreas com recursos limitados e instituições médicas, pelo que a monitorização individualizada continua a ser um desafio. Atualmente, os estudos sobre predição da concentração de vancomicina geralmente utilizam o modelo farmacocinético populacional (PPK). No entanto, este modelo é afetado por muitos fatores, como idade, peso e taxa de depuração de creatinina. No entanto, como os pacientes gravemente enfermos apresentam doenças complexas acompanhadas de disfunção de múltiplos órgãos, a farmacocinética da vancomicina pode estar alterada. Nestes pacientes, a evidência para a previsão da concentração utilizando modelos PPK é insuficiente.

Atualmente, os métodos de aprendizado de máquina em rápido desenvolvimento podem ajudar a capturar relacionamentos de variáveis ​​não lineares enquanto fazem previsões por meio de múltiplas variáveis ​​para alcançar um alto grau de precisão nos resultados de previsão. Este estudo tem como objetivo usar métodos de aprendizado de máquina para estabelecer um modelo ideal para prever concentrações séricas mínimas de vancomicina em pacientes gravemente enfermos.

Objetivo: Este estudo tem como objetivo extrair os dados da concentração sérica de vancomicina do Critical Care Database do Peking Union Medical College Hospital de janeiro de 2014 a dezembro de 2023 e usar métodos de aprendizado de máquina para estabelecer o modelo ideal para prever as concentrações de vancomicina em pacientes gravemente enfermos.

Métodos: (1) Este é um estudo retrospectivo unicêntrico. Foram analisados ​​dados sobre a concentração sérica de vancomicina no Critical Care Database do Peking Union Medical College Hospital. Após atender aos critérios de elegibilidade, os dados clínicos dos pacientes incluídos são coletados por meio do sistema de prontuários de pacientes internados, incluindo características demográficas, escores de gravidade, informações de exames laboratoriais e informações de tratamento. (2) Após extrair os dados disponíveis, cinco modelos de aprendizado de máquina, incluindo Regressão Linear, Regressão Lasso, Regressão Ridge, Floresta Aleatória e LightGBM, são usados ​​para construir modelos de predição. O modelo com a melhor precisão de previsão é selecionado com base no erro percentual (PE), no erro percentual médio (EMP) e no erro percentual absoluto médio (MAPE). (3) O banco de dados MIMIC-IV (Medical Information Mart for Intensive Care) é utilizado para realizar a validação externa do modelo construído por aprendizado de máquina. Além disso, os investigadores irão comparar o desempenho preditivo do modelo PPK com o modelo construído.

Controle de qualidade: São incluídos pacientes que atendem aos critérios de inclusão. Pacientes com informações faltantes não são inscritos para reduzir viés. As informações dos pacientes incluídos são registradas e registradas por um pesquisador dedicado.

Ética e proteção da privacidade do paciente: As informações pessoais do estudo serão usadas apenas para os fins descritos no protocolo deste estudo. As informações médicas obtidas serão mantidas em sigilo. Os resultados também serão publicados em revistas acadêmicas sem revelar qualquer informação identificável do paciente. O estudo foi aprovado pelo Comitê de Ética Médica do Peking Union Medical College Hospital (K24C1161).