Модель прогнозирования концентрации лекарственного средства ванкомицина

Введение: Ванкомицин — гликопептидный антибиотик, в основном используемый для лечения инфекций, вызванных метициллин-резистентным золотистым стафилококком (MRSA). Поскольку ванкомицин является антибиотиком, зависящим от времени, концентрация ванкомицина в сыворотке тесно связана с клинической эффективностью, токсичностью и возникновением лекарственной устойчивости. Таким образом, терапевтический лекарственный мониторинг (ТЛМ) считается важным компонентом лечения ванкомицином. Согласно рекомендациям по надзору за ванкомицином, рекомендуется поддерживать концентрацию ванкомицина в сыворотке крови на уровне 15–20 мг/л у пациентов с тяжелыми инфекциями, чтобы улучшить клинические результаты и предотвратить лекарственную устойчивость. Однако определение концентрации ванкомицина в сыворотке не широко используется в клинической практике, особенно в районах с ограниченными ресурсами и в медицинских учреждениях, поэтому индивидуальный мониторинг остается проблемой. В настоящее время в исследованиях по прогнозированию концентрации ванкомицина обычно используется популяционная фармакокинетическая модель (ППК). Однако на эту модель влияют многие факторы, такие как возраст, вес и скорость клиренса креатинина. Однако, поскольку у пациентов в критическом состоянии имеются сложные заболевания, сопровождающиеся полиорганной дисфункцией, фармакокинетика ванкомицина может быть изменена. У таких пациентов доказательств для прогнозирования концентрации с использованием моделей PPK недостаточно.

В настоящее время быстро развивающиеся методы машинного обучения могут помочь выявить взаимосвязи нелинейных переменных при прогнозировании с использованием нескольких переменных для достижения высокой степени точности результатов прогнозирования. Целью этого исследования является использование методов машинного обучения для создания оптимальной модели для прогнозирования минимальных концентраций ванкомицина в сыворотке крови у пациентов в критическом состоянии.

Цель: Целью данного исследования является получение данных о концентрации ванкомицина в сыворотке из базы данных интенсивной терапии больницы Пекинского союза медицинского колледжа за период с января 2014 года по декабрь 2023 года и использование методов машинного обучения для создания оптимальной модели для прогнозирования концентрации ванкомицина у пациентов в критическом состоянии.

Методы: (1) Это одноцентровое ретроспективное исследование. Были проверены данные о концентрации ванкомицина в сыворотке из базы данных интенсивной терапии больницы Пекинского объединенного медицинского колледжа. После соответствия критериям отбора клинические данные о включенных пациентах собираются через систему стационарной медицинской документации, включая демографические характеристики, степень тяжести, информацию о лабораторных исследованиях и информацию о лечении. (2) После извлечения доступных данных для построения моделей прогнозирования используются пять моделей машинного обучения, включая линейную регрессию, лассо-регрессию, хребтовую регрессию, случайный лес и LightGBM. Модель с наилучшей точностью прогнозирования выбирается на основе процентной ошибки (PE), средней процентной ошибки (MPE) и средней абсолютной процентной ошибки (MAPE). (3) База данных MIMIC-IV (витрина медицинской информации для интенсивной терапии) используется для проведения внешней проверки модели, построенной с помощью машинного обучения. Более того, исследователи сравнит прогностическую эффективность модели ППК с построенной моделью.

Контроль качества: включены пациенты, соответствующие критериям включения. Пациенты с недостающей информацией не включаются в исследование во избежание систематической ошибки. Информация о включенных пациентах записывается и регистрируется специальным научным сотрудником.

Этика и защита конфиденциальности пациентов: личная информация в исследовании будет использоваться только для целей, описанных в протоколе этого исследования. Полученная медицинская информация останется конфиденциальной. Результаты также будут опубликованы в научных журналах без раскрытия какой-либо идентифицируемой информации о пациенте. Исследование было одобрено Комитетом по медицинской этике больницы Пекинского союзного медицинского колледжа (K24C1161).