クローン病の小児および若年成人患者におけるインフリキシマブの薬理学予測のためのハイブリッド集団薬理学- 機械学習モデリング

科学分野:

• 薬物動力学と薬物動力学
• 医療における機械学習
• 小児胃腸内科

背景:

• 特に限られたデータで,集団薬動力学 (PK) モデルに基づくベイジアン推定は,薬剤用量個別化に極めて重要です.
• ベイジアン法の予測精度は,事前の情報,患者内変動性,およびPKの不確実性によって制限されることがあります.
• インフリキシマブ濃度の正確な予測は,小児クローン病の管理に不可欠です.

研究 の 目的:

• 機械学習 (ML) と集団PK・ベイジアン法を組み合わせたハイブリッドアプローチを開発し評価する.
• クローン病の小児におけるインフリキシマブ濃度の予測精度を向上させる.
• 治療効果の向上のために,インフリキシマブ投与の個別化を促進する.

主な方法:

• MLアルゴリズム (XGBoost,ランダムフォレストなど) を統合したハイブリッドモデル 人口PKのベイジアン推定値が開発されました.
• 臨床患者の特徴とMLモデルを使用して,ベイジアン推定からの予測誤差を修正した.
• モデルの性能は5倍クロスバリデーションによる根の平均平方誤差 (RMSE) と平均予測誤差 (MPE) を用いて評価された.

主要な成果:

• ハイブリッドMLで修正されたベイジアンアプローチは,ベイジアン推定のみと比較して予測エラーを大幅に削減しました.
• XGBoostモデルは,RMSE 3.78 ± 0.85 μg/mLとMPE - 0.03 ± 0.69 μg/mLで最高の性能を達成しました.
• ベイジアン推定だけで,RMSEは4. 8μg/ mL,MPEは- 0. 67μg/ mLであった.

結論:

• ハイブリッド集団PK-MLアプローチは,ベイジアン推定の予測パフォーマンスを高める有望な戦略を提供します.
• この方法は,新しい臨床データで継続的な学習と改善の可能性があります.
• このアプローチにより,小児のクローン病のインフリキシマブ用量の個別化がより正確に可能になる.