肝疾患成人におけるテコプラニン血漿中濃度の機械学習ベース予測モデル：実臨床データを用いた検討

背景:

• テコプラニン（TEIC）は感染症治療に不可欠ですが、その有効性は治療域の血漿中濃度を達成することに依存します。
• 肝疾患はTEICの薬物動態を複雑にし、毒性を回避し有効性を確保するためには精密な投与が必要です。
• 実臨床データは、複雑な患者集団におけるTEIC療法の最適化に関する貴重な洞察を提供します。

研究 の 目的:

• 肝疾患患者におけるテコプラニン血漿中濃度を予測するための機械学習モデルを開発および検証すること。
• 実臨床データを利用して、堅牢な予測ツールを構築すること。
• 高度な計算手法を通じて、個別化されたテコプラニン投与戦略を強化すること。

主な方法:

• 646人の患者と689件のTEIC濃度を対象とした後向き研究を実施しました。
• 特徴選択とランダムフォレスト補因子を用いてデータを前処理しました。
• LightGBMを含む10の機械学習アルゴリズムを、10倍交差検証と独立したテストセットを使用して評価しました。

主要な成果:

• LightGBMモデルは、RMSE: 2.90、R²: 0.80、MAE: 2.34で優れた予測性能を達成しました。; モデルは、観察されたテコプラニン濃度の±30%以内で89.13%の精度を示しました。; 同定された主要な予測因子は、1日投与量、ヘモグロビン、およびアスパラギン酸アミノトランスフェラーゼレベルでした。

結論:

• LightGBMベースのモデルは、肝疾患患者におけるテコプラニン血漿中濃度を効果的に予測します。
• この予測ツールは、テコプラニンの投与量最適化と個別化治療をサポートします。
• この発見は、テコプラニンを投与されている肝疾患患者の治療成績の向上に貢献します。