Sviluppo e validazione di un modello di machine learning per il dosaggio individualizzato di meropenem in pazienti in CRRT

Perché è importante per i pazienti in terapia intensiva

Quando le persone sviluppano infezioni potenzialmente letali in terapia intensiva, i medici si affidano spesso ad antibiotici potenti e a macchine che svolgono la funzione renale per mantenerle in vita. Tuttavia, determinare la dose corretta di antibiotico per ciascun paziente sottoposto a un trattamento continuo simile alla dialisi è sorprendentemente difficile. Questo studio mostra come uno strumento basato sul machine learning possa aiutare i medici a scegliere dosi più sicure ed efficaci del potente antibiotico a largo spettro meropenem per alcuni dei pazienti più critici dell’ospedale.

Il dilemma del dosaggio in reni fragili

La sepsi, un’infezione grave che coinvolge tutto l’organismo, spesso danneggia i reni al punto che i pazienti necessitano di terapia sostitutiva renale continua (CRRT)—una forma di dialisi lenta e continua. Il meropenem è comunemente impiegato per trattare queste infezioni, ma il suo comportamento nel corpo cambia drasticamente nello stato critico. Gli spostamenti di liquidi, il deterioramento d’organo e la stessa macchina CRRT influenzano la velocità di eliminazione del farmaco. Un meropenem insufficiente rischia il fallimento terapeutico e la selezione di ceppi resistenti; un dosaggio eccessivo aumenta la probabilità di effetti avversi come neurotossicità e tossicità renale. Le formule di dosaggio tradizionali basate su pazienti medi spesso non sono adeguate per individui la cui fisiologia è lontana dalla norma.

Costruire una popolazione virtuale di terapia intensiva

Poiché studi farmacologici ampi e di alta qualità in pazienti così instabili sono rari, i ricercatori hanno prima creato una popolazione virtuale di 48.000 pazienti CRRT simulati usando un modello farmacocinetico esistente per il meropenem. Per ciascun paziente simulato hanno variato età, peso corporeo, funzione renale, impostazioni CRRT, dose di meropenem, intervallo di somministrazione, tempo di infusione e la robustezza del batterio infettante (riassunta come concentrazione minima inibente, MIC). Hanno quindi calcolato se ciascun piano posologico manteneva i livelli di meropenem sufficientemente elevati nel sangue per l’intero intervallo posologico—sia rispetto a una soglia standard (100% del tempo sopra la MIC) sia rispetto a una soglia molto stringente (100% del tempo sopra quattro volte la MIC), ritenuta migliore per prevenire il fallimento terapeutico e la resistenza.

Addestrare le macchine a prevedere il successo

Usando questi pazienti virtuali, il team ha addestrato diversi tipi di modelli di machine learning per rispondere a una semplice domanda binaria: un dato paziente, con una specifica impostazione CRRT e un piano di dosaggio, raggiungerà l’obiettivo di esposizione desiderato? Algoritmi come random forest, gradient boosting e alberi decisionali hanno appreso pattern che collegano caratteristiche del paziente, clearance indotta dalla CRRT, dimensione della dose, intervallo di somministrazione, durata dell’infusione e MIC alla probabilità di successo. Nei dati di test simulati, la maggior parte dei modelli ha mostrato elevata accuratezza, con molti che classificavano correttamente gli esiti in oltre il 95% dei casi. Per aprire la “scatola nera” del machine learning, i ricercatori hanno usato SHAP (Shapley Additive Explanations) per graduare l’importanza degli input. La MIC batterica è risultata il fattore singolo più influente, seguita dalla frequenza e dalla quantità di meropenem somministrata e dall’efficienza con cui il paziente e la macchina CRRT eliminano il farmaco.

Test nel mondo reale e uno strumento da letto del paziente

Il passo successivo è stato verificare come questi modelli si comportassero su pazienti reali. Gli autori hanno utilizzato dati di 78 individui critici sottoposti a diversi sistemi CRRT, ricavati da nove studi pubblicati. Per ciascun paziente, un modello di popolazione tradizionale ha ricostruito curve dettagliate di concentrazione del farmaco, che hanno fatto da standard di riferimento per stabilire se il dosaggio raggiungeva gli obiettivi di esposizione stringenti su un range di valori plausibili di MIC. Quando ai modelli di machine learning è stato chiesto di prevedere gli stessi esiti usando solo le caratteristiche del paziente, le impostazioni CRRT e le informazioni sul dosaggio, essi in generale hanno sovraperformato l’approccio farmacocinetico convenzionale. In particolare, un modello di gradient boosting ha ottenuto una migliore discriminazione per entrambi gli obiettivi di esposizione rispetto al modello consolidato. Questo modello con le migliori prestazioni è stato quindi integrato in una semplice applicazione web, chiamata “MeroDose”, sviluppata con il framework Streamlit.

Dai dati complessi a scelte più chiare

Al letto del paziente, lo strumento MeroDose permette ai clinici di inserire le informazioni di base del paziente, la funzione renale, i parametri CRRT, la dose e il calendario proposti di meropenem e una MIC ipotizzata. Il sistema stima istantaneamente la probabilità che questo schema mantenga i livelli del farmaco sufficienti per tutto l’intervallo posologico, sia rispetto agli obiettivi standard sia a quelli molto stringenti. Pur non sostituendo il monitoraggio dei livelli ematici o il giudizio clinico, fornisce un punto di partenza specifico per il singolo paziente invece di un dosaggio uguale per tutti. Lo studio conclude che questo sistema di supporto guidato dal machine learning può migliorare in modo significativo la scelta delle dosi iniziali di meropenem nei pazienti in CRRT e invita a trial prospettici per confermare che tali strumenti si traducano in migliori risultati clinici e in una riduzione delle infezioni resistenti.

Citazione: 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

Parole chiave: sepsi, terapia sostitutiva renale continua, dosaggio di meropenem, machine learning in medicina, supporto alle decisioni cliniche