Un marco de simulación motivado por el aprendizaje por refuerzo (RL) para evaluar estrategias de dosificación de vancomicina | JoVE Visualize

Área de la Ciencia:

Farmacocinética y Farmacodinámica
Biología Computacional
Aprendizaje Automático en Medicina

Sus antecedentes:

Lograr y mantener niveles terapéuticos de vancomicina es fundamental para la eficacia del tratamiento y la minimización de la toxicidad.
Las pautas existentes para la dosificación de vancomicina se basan en datos empíricos, pero las estrategias teóricas óptimas en diversas condiciones no se comprenden completamente.

Objetivo del estudio:

Desarrollar un nuevo marco de simulación basado en el aprendizaje por refuerzo (RL) para optimizar las estrategias de dosificación de vancomicina.
Integrar las pautas clínicas en un sistema de recompensa de RL utilizando el área bajo la curva de tiempo-concentración (AUC).

Principales métodos:

Se desarrolló un modelo farmacocinético de dos compartimentos de aprendizaje profundo (PK-RNN-2CM).
Se utilizaron datos específicos del paciente para generar curvas de tiempo-concentración de referencia.
Se simularon estrategias de dosificación de vancomicina en diversas condiciones, incluidas perturbaciones de ruido para imitar la variabilidad del mundo real.
Se emplearon la AUC de 24 horas y el error cuadrático medio (RMSE) como métricas de evaluación.

Principales resultados:

Ambos objetivos de AUC de dosis baja y dosis alta mostraron un rendimiento comparable en simulaciones sin ruido.
La estrategia de dosis baja logró puntuaciones de recompensa de AUC más altas en condiciones de ruido.
La estrategia de dosis alta demostró una mayor estabilidad en condiciones de ruido.

Conclusiones:

El marco de simulación desarrollado basado en RL proporciona un nuevo enfoque para optimizar la dosificación de vancomicina.
Esta metodología puede ayudar a refinar las estrategias de dosificación para mejorar los resultados del paciente en la terapia con vancomicina.
La capacidad del marco para incorporar pautas clínicas y simular la variabilidad del mundo real ofrece información valiosa para la monitorización de fármacos terapéuticos.