基于群体药动学信息与机器学习的他克莫司血药浓度预测模型研究OA

目的构建基于群体药动学(PPK)信息与机器学习的他克莫司谷浓度预测模型,评估其在临床治疗药物监测(TDM)数据中的预测性能,为肾移植术后他克莫司个体化剂量调整提供循证依据。方法采用回顾性队列研究设计,纳入2025年1-6月在中国科学技术大学附属第一医院(安徽省立医院)治疗的肾移植受者的连续TDM记录,构建最终分析集。围绕前次TDM浓度、前次浓度/剂量(C/D)比、个体预测暴露量(IPRE)等29个输入变量,系统比较13种常用回归算法模型及1种加权集成模型。以患者为单位,按80∶20将数据集分为训练集与测试集,在训练集上开展基于患者分组的5折交叉验证,最终在获得的评估点上采用决定系数(R 2)、平均绝对误差(MAE)、均方根误差(RMSE)、Pearson相关系数(Corr)及±20%/±30%准确率评价模型性能。采用沙普利加性解释(SHAP)法开展模型可解释性分析,明确核心预测特征。结果共纳入83例肾移植受者的809条连续TDM记录,其中训练集66例、测试集17例。SVR模型表现最优,R 2为0.6498,MAE为1.1260 ng/mL,RMSE为1.4786 ng/mL,Corr为0.8191,±20%准确率为59.68%,±30%准确率为79.03%。Weighted Ensemble模型与Extra Trees模型位列其后。SHAP可解释性分析显示,贡献排前6名的特征依次为IPRE、前次TDM浓度、前次C/D比、剂量标准化浓度、红细胞压积(HCT)、浓度-剂量系数(θ_(cd)),其中IPRE为核心预测特征(平均SHAP值0.9154)。结论融合PPK信息的机器学习模型在当前TDM队列中展现了较好的他克莫司浓度预测能力;SVR为最优模型,IPRE为模型核心预测特征,少数核心PK派生特征(IPRE、剂量标准化浓度、θ_(cd))与临床特征(前次TDM浓度、HCT)共同构成模型预测的主要信息源。