使用机器学习预测长时间的达尔巴万辛暴露:个性化再剂量的验证策略
Hamza Sayadi1,2, Matthieu Gregoire3,4, Yeleen Fromage1
1Department of Pharmacology, Toxicology and Pharmacovigilance, Dupuytren University Hospital (CHU Dupuytren), Limoges, France.
机器学习模型可以预测复杂的格拉姆阳性感染中的dalbavancin度. 这种方法支持个性化剂量决策,提高治疗疗效,减少不必要的再剂量.
科学领域:
- 药理学 药理学是指药理学的学科.
- 传染性疾病 传染性疾病
- 机器学习 机器学习
背景情况:
- 达尔巴万辛是一种脂糖,用于复杂的格拉姆阳性感染,但由于药理动力学变异性和MIC异质性而面临挑战.
- 优化达尔巴万辛的剂量对于有效的治疗至关重要,特别是其长效的特征.
研究的目的:
- 开发和验证机器学习 (ML) 模型,以预测与药理动力学/药理动力学目标相对应的dalbavancin血度.
- 为了使达尔巴万辛治疗的早期,个性化的再剂量决定.
主要方法:
- 在模拟的药物动力学概况上训练ML模型 (支持矢量机器).
- 使用独立的模拟数据集和真实世界的队列 (利莫日和南特大学医院) 验证的模型.
- 输入特征包括患者人口统计学,肌素清除率,MIC,以及剂前单个血度.
主要成果:
- 在验证设置中,ML模型实现了高精度 (>88%) 和灵敏度 (>90%).
- 临床验证表明准确度接近95%,没有观察到假阴性.
- ML模型在达尔巴万辛剂量准确度和灵敏度方面表现优于传统的贝叶斯估计.
结论:
- 机器学习方法提供了一个实用策略,用于对dalbavancin的模型信息精确剂量.
- 这种方法支持早期,个性化的再定量决策,补充贝叶斯预测,减少序列采样.
更多相关视频
11:56Nanomechanics of Drug-target Interactions and Antibacterial Resistance Detection
Published on: October 25, 2013
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Drug Accumulation During Multiple Dosing: Repetitive IV Injections
Drug Accumulation During Multiple Dosing: Intermittent IV Infusions
Determination of Multiple Dosing Parameters: Steady-State, Minimum and Maximum Concentrations
Determination of Multiple Dosing Parameters: Loading and Maintenance Doses
Dosage Regimen: Individualization
Estimation of k and VD of Aminoglycosides
