机器学习模型来预测tacrolimus度,并建议肝移植接受者的最佳剂量:一个多中心的回顾性队列研究

科学领域:

• 药理学 药理学是指药理学的学科.
• 生物医学信息学 生物医学信息学
• 移植医学 移植医学

背景情况:

• 在早期肝移植接受者中,塔克罗利斯 (TAC) 度监测至关重要,但具有挑战性.
• 准确的TAC水平对于防止排斥和毒性至关重要.
• 现有的TAC定位方法在移植后的阶段可能不是最佳的.

研究的目的:

• 开发和验证机器学习 (ML) 算法,用于预测肝移植患者的TAC度.
• 将ML模型的性能与传统的药理动力学模型进行比较.
• 评估ML指导剂量对TAC定位的临床有用性.

主要方法:

• 一项回顾性队列研究,涉及韩国443名肝移植患者.
• 开发长期短期记忆 (LSTM) 和梯度增强回归树 (GBRT) 模型,使用时间序列的TAC剂量和度,以及临床共变量.
• 使用eICU协作研究数据库 (美国) 对模型的外部验证.

主要成果:

• 与GBRT,线性回归和人群药动力学模型相比,LSTM模型在外部验证中表现出优异的预测性能 (中位数绝对误差分别为22.3%和33.1%,26.8%和23.4%).
• 根据LSTM模型指导的剂量显著提高了治疗性TAC度的达到 (P < 0.001).
• 超出LSTM模型建议的剂量与更长的ICU停留时间有关 (平均2.5天更长,P = 0.042).

结论:

• 机器学习模型,特别是LSTM,在预测肝移植患者的TAC度方面表现出色.
• 这些ML模型为优化TAC度定位在移植后早期提供了一个有希望的工具.
• 实施ML指导剂量可以加强治疗药物监测,并可能改善患者的治疗结果.