تطوير والتحقق من نموذج تعلم آلي لجرعات الميروبينيم المخصصة لمرضى العلاج الكلوي المستمر CRRT

لماذا يهم هذا المرضى في وحدات العناية المركزة

عندما يصاب الأشخاص بعدوى تهدد الحياة في وحدات العناية المركزة، يعتمد الأطباء غالبًا على مضادات حيوية قوية وآلات كلوية اصطناعية للحفاظ على حياتهم. ومع ذلك، فإن تحديد الجرعة المناسبة من المضاد الحيوي لكل مريض يخضع لعلاج شبيه بالغسيل الكلوي المستمر أمر أصعب مما يبدو. تُظهر هذه الدراسة كيف يمكن لأنظمة معتمدة على التعلم الآلي أن تساعد الأطباء على اختيار جرعات أكثر أمانًا وفعالية من المضاد واسع الطيف ميروبينيم لبعض أكثر المرضى مرضًا في المستشفى.

معضلة الجرعات لدى الكلى الهشة

الإنتان، وهو عدوى مهدِّدة للجسم بأكمله، يسبب في كثير من الأحيان أضرارًا شديدة للكلى بحيث يحتاج المرضى إلى العلاج الكلوي المستمر بالاستبدال (CRRT)—شكل من أشكال الغسيل الكلوي البطيء والمتواصل. يُستخدم ميروبينيم عادة لعلاج هذه العدوى، لكن سلوك الدواء في الجسم يتغير بشكل كبير في حالات المرض الحاد. تؤثر تنقلات السوائل، فشل الأعضاء، وجهاز CRRT نفسه على سرعة التخلص من الدواء. جرعة ميروبينيم القليلة جدًا تعرض العلاج للفشل وتزيد خطر مقاومة المضادات الحيوية؛ والجرعات العالية جدًا ترفع احتمالات حدوث آثار جانبية مثل سمية الدماغ والكلى. الصيغ التقليدية للجرعات المبنية على متوسط المرضى غالبًا ما تخطئ عندما يتعلق الأمر بأفراد تصبح فيسيولوجيتهم بعيدة عن الطبيعي.

بناء مجموعة افتراضية من حالات العناية المركزة

نظرًا لندرة الدراسات الدوائية الكبيرة وعالية الجودة في مثل هؤلاء المرضى غير المستقرين، أنشأ الباحثون أولًا مجموعة افتراضية مكونة من 48,000 مريض CRRT محاكى باستخدام نموذج حركي دوائي قائم للميروبينيم. لكل مريض محاكى، نوّعوا العمر، الوزن، وظائف الكلى، إعدادات CRRT، جرعة الميروبينيم، فترات الجرعات، زمن الحقن، وشدة البكتيريا المسببة للعدوى (ملخصة كأدنى تركيز مثبط MIC). ثم حسبوا ما إذا كانت كل خطة جرعات تحافظ على مستويات الميروبينيم في الدم مرتفعة بما يكفي طوال فترة الجرعة—سواء عند عتبة معيارية (100% من الوقت أعلى من MIC) أو عند عتبة صارمة جدًا (100% أعلى من أربعة أضعاف MIC)، والتي يُعتقد أنها توفر حماية أفضل ضد فشل العلاج والمقاومة.

تدريب الآلات لتوقع النجاح

باستخدام هؤلاء المرضى الافتراضيين، دربت المجموعة عدة أنواع من نماذج التعلم الآلي للإجابة على سؤال بسيط بنعم أو لا: هل سيصل مريض محدد، على إعداد CRRT وخطة جرعات معينة، إلى هدف التعرض الدوائي المطلوب؟ تعلمت خوارزميات مثل الغابات العشوائية، التعزيز التدرجي، وأشجار القرار أنماطًا تربط ميزات المريض، تصفية CRRT، حجم الجرعة، فترة الجرعات، مدة الحقن، وMIC باحتمال النجاح. عبر بيانات الاختبار المحاكية، كانت معظم النماذج دقيقة جدًا، حيث صنفت النتائج بشكل صحيح في أكثر من 95% من الحالات في كثير من الأحيان. لفك "الصندوق الأسود" للتعلم الآلي، استخدم الباحثون SHAP (تفسيرات شابيلي الإضافية) لترتيب المدخلات حسب أهميتها. كان MIC للبكتيريا العامل الأقوى بمفرده، يليه تكرار وكمية إعطاء الميروبينيم وكيفية التخلص منه من قبل المريض وجهاز CRRT.

الاختبار الحقيقي وأداة بجانب المريض

كانت الخطوة التالية اختبار أداء هذه النماذج على مرضى حقيقيين. استند المؤلفون إلى بيانات من 78 مريضًا في حالة حرجة على أنظمة CRRT مختلفة، مجمعة من تسع دراسات منشورة. لكل مريض، أعاد نموذج سكاني تقليدي بناء منحنيات تركيز الدواء المفصلة، والتي استخدمت كمرجع لتحديد ما إذا كانت الجرعات حققت أهداف التعرض الصارمة عبر مجموعة من قيم MIC المعقولة. عندما طُلب من نماذج التعلم الآلي توقع نفس النتائج باستخدام خصائص المريض فقط، إعدادات CRRT، ومعلومات الجرعة، فقد تفوقت عمومًا على النهج الحركي الدوائي التقليدي. وعلى وجه الخصوص، حقق نموذج التعزيز التدرجي تمييزًا أعلى لكلتا هدفين التعرض مقارنة بالنموذج المعتمد. تم دمج أفضل نموذج أداء بعد ذلك في تطبيق ويب بسيط باسم "MeroDose"، بُني باستخدام إطار Streamlit.

من بيانات معقدة إلى خيارات أوضح

على سرير المريض، تسمح أداة MeroDose للأطباء بإدخال معلومات أساسية عن المريض، وظيفة الكلى، معلمات CRRT، جرعة الميروبينيم المقترحة وجدولها، وMIC المفترض. يقدر النظام فورًا احتمال أن تحافظ هذه الخطة على مستويات الدواء مرتفعة بما يكفي طوال فترة الجرعة، عند الهدفين المعياري والصارم. وبينما لا تحل هذه الأداة محل قياس مستويات الدواء في الدم أو الحكم السريري، فإنها توفر نقطة انطلاق مخصصة بدلًا من جرعة موحدة للجميع. تختم الدراسة بأن نظام الدعم المدعوم بالتعلم الآلي هذا يمكن أن يحسن بشكل ملموس كيفية اختيار جرعات الميروبينيم الأولية لمرضى CRRT، وتدعو لإجراء تجارب مستقبلية لتأكيد أن مثل هذه الأدوات تترجم إلى نتائج أفضل وعدد أقل من الإصابات المقاومة.

الاستشهاد: Li, D., Qiao, Z., Xiong, X. et al. Development and validation of a machine learning model for individualised meropenem dosing in CRRT patients. Sci Rep 16, 12398 (2026). https://doi.org/10.1038/s41598-026-43012-x

الكلمات المفتاحية: الإنتان, العلاج الكلوي المستمر بالاستبدال, جرعات الميروبينيم, التعلم الآلي في الطب, دعم القرار السريري