在接受血造干细胞移植的患者中,使用机器学习技术预测布苏尔方的暴露
Dandan Li1,2, Jingtong Zhao3, Baohua Xu1,2
1Department of Pharmacy, Fujian Medical University Union Hospital, Fuzhou, China.
Expert review of clinical pharmacology
|June 16, 2023
概括
机器学习模型准确地预测了曲线下的布苏尔 (BU) 面积 (AUCss),超过了传统的药理动力学模型. 支持向量回归和梯度增强回归树显示出对个性化BU剂量的最佳预测能力.
科学领域:
- 药理动力学和药理动力学
- 机器学习在医学中的应用
- 药物监测 药物监测 药物监测
背景情况:
- 布苏尔 (BU) 是一种关键的化疗剂.
- 在稳定状态下精确预测布苏尔曲线下的区域 (AUCss) 对于优化患者的治疗结果至关重要.
- 传统的人口药理动力学 (pop PK) 模型可能在个性化BU治疗方面存在局限性.
研究的目的:
- 开发和比较机器学习 (ML) 模型,用于预测稳定状态 (AUCss) 曲线下的硫 (BU) 面积.
- 为准确的BU AUCss预测确定最佳的ML算法.
- 评估ML模型的性能与传统的人口药理动力学 (pop PK) 模型相比.
主要方法:
- 对79名接受静脉注射BU的成年患者进行了回顾性研究.
- 数据集分为培训 (80%) 和测试 (20%) 组.
- 开发和验证了九个ML算法和一个流行PK模型来预测BU AUCss.
主要成果:
- 与流行PK模型相比,所有开发的ML模型在模型适配和预测准确性方面都表现出更高的性能.
- 与流行PK模型相比,ML模型实现了更高的R平方值和更低的平均平方误差 (MSE) 和根平均平方误差 (RMSE).
- 支持向量回归 (SVR) 和梯度增强回归树 (GBRT) 算法为BU AUCss产生了最好的预测能力,R2为0.953.
结论:
- 机器学习模型,特别是使用SVR和GBRT的机器学习模型,与传统的流行PK模型相比,为busulfan AUCss提供了更高的预测准确度.
- 这些先进的ML模型可以促进个性化的busulfan剂量策略.
- 这些发现支持ML的潜在临床应用,以优化busulfan治疗和改善患者护理.
