Video Experimental Relacionado
Updated: Jan 8, 2026

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
Modelo predictivo basado en aprendizaje automático para concentraciones plasmáticas de teicoplanina en adultos con
Fengbi Jian1, Xiaodong Chen1, Ming Wang1
1Department of Pharmacy, Guangzhou Eighth People's Hospital, Guangzhou Medical University, Guangzhou, Guangdong, China.
El aprendizaje automático predice con precisión las concentraciones plasmáticas de teicoplanina en pacientes con enfermedad hepática. Esta herramienta ayuda a optimizar la dosificación de TEIC para mejores resultados del tratamiento.
Área de la Ciencia:
- Farmacocinética y Farmacodinámica
- Aprendizaje automático en medicina
- Análisis de datos clínicos
Sus antecedentes:
- La teicoplanina (TEIC) es crucial para tratar infecciones, pero su eficacia depende de alcanzar concentraciones plasmáticas terapéuticas.
- La enfermedad hepática complica la farmacocinética de la TEIC, lo que requiere una dosificación precisa para evitar la toxicidad y garantizar la eficacia.
- Los datos del mundo real ofrecen información valiosa para optimizar la terapia de TEIC en poblaciones de pacientes complejas.
Objetivo del estudio:
- Desarrollar y validar un modelo de aprendizaje automático para predecir las concentraciones plasmáticas de teicoplanina en pacientes con enfermedad hepática.
- Aprovechar los datos clínicos del mundo real para construir una herramienta predictiva robusta.
- Mejorar las estrategias de dosificación individualizada de teicoplanina a través de métodos computacionales avanzados.
Principales métodos:
- Se analizó un estudio retrospectivo de 646 pacientes con 689 concentraciones de TEIC.
- Se utilizaron la selección de características y la imputación de bosques aleatorios para preprocesar los datos.
- Se evaluaron diez algoritmos de aprendizaje automático, incluido LightGBM, utilizando validación cruzada de 10 veces y un conjunto de prueba independiente.
Principales resultados:
- El modelo LightGBM logró un rendimiento predictivo superior (RMSE: 2,90, R²: 0,80, MAE: 2,34).
- El modelo demostró una precisión del 89,13 % dentro de ±30 % de las concentraciones de teicoplanina observadas.
- Los predictores clave identificados fueron la dosis diaria, la hemoglobina y los niveles de aspartato aminotransferasa.
Conclusiones:
- Un modelo basado en LightGBM predice eficazmente las concentraciones plasmáticas de teicoplanina en pacientes con enfermedad hepática.
- Esta herramienta predictiva apoya la dosificación optimizada de teicoplanina y el tratamiento individualizado.
- Los hallazgos contribuyen a mejorar los resultados terapéuticos en pacientes con enfermedad hepática que reciben teicoplanina.
Videos de Conceptos Relacionados
Effect of Hepatic Disease on Pharmacokinetics: Pathophysiologic Assessment and Liver Function Test
Physiological Pharmacokinetic Models: Incorporating Hepatic Transporter-Mediated Clearance
A recent model describes pravastatin's hepatobiliary excretion,...
Determination of Multiple Dosing Parameters: Steady-State, Minimum and Maximum Concentrations
Analysis of Population Pharmacokinetic Data
Model Approaches for Pharmacokinetic Data: Distributed Parameter Models
The distributed parameter models are specifically designed to account for variations and differences in some drug classes. This model is particularly useful for assessing regional concentrations of anticancer or...
Effect of Hepatic Disease on Pharmacokinetics: Active Drug, Metabolite and Fraction of Metabolized Drug
