Разработка и валидация модели машинного обучения для индивидуального подбора дозы меропенема у пациентов на КРРТ

Почему это важно для пациентов в отделении интенсивной терапии

Когда у людей в реанимации развиваются угрожающие жизни инфекции, врачи часто полагаются на мощные антибиотики и аппараты искусственной почки, чтобы сохранить их жизнь. Тем не менее подбор правильной дозы антибиотика для каждого пациента на непрерывной диализоподобной терапии оказывается неожиданно сложной задачей. В этом исследовании показано, как инструмент на основе машинного обучения может помочь врачам выбирать более безопасные и эффективные дозы широкого спектра действия меропенема для некоторых из самых тяжело больных пациентов в стационаре.

Дилемма дозирования при уязвимых почках

Сепсис, тяжёлая системная инфекция, часто повреждает почки настолько, что пациентам требуется непрерывное заместительное почечное лечение (КРРТ) — форма медленного круглосуточного диализа. Меропенем широко применяется для лечения таких инфекций, но его фармакокинетика существенно меняется при критическом состоянии. Перераспределение жидкостей, отказ других органов и сам аппарат КРРТ влияют на скорость выведения препарата. Недостаточная доза меропенема повышает риск неудачи терапии и формирования резистентности; избыточная — увеличивает вероятность побочных эффектов, таких как нейро- и нефротоксичность. Традиционные формулы дозирования, основанные на средних показателях пациентов, часто не подходят для индивидуумов с сильно нарушенной физиологией.

Создание виртуальной популяции реанимационных пациентов

Поскольку крупные высококачественные исследования препаратов у таких нестабильных пациентов редки, исследователи сначала создали виртуальную популяцию из 48 000 смоделированных пациентов на КРРТ, используя существующую фармакокинетическую модель меропенема. Для каждого виртуального пациента варьировали возраст, массу тела, функцию почек, параметры КРРТ, дозу меропенема, интервал введения, длительность инфузии и вирулентность возбудителя (суммированную как минимальная ингибирующая концентрация, MIC). Затем вычисляли, обеспечивает ли каждая схема дозирования достаточный уровень меропенема в крови в течение всего интервала дозирования — как при стандартном пороге (100% времени выше MIC), так и при очень строгом (100% времени выше четырёхкратного MIC), который считается более защитным против неудачи терапии и резистентности.

Обучение моделей предсказывать успех

Используя эти виртуальные пациенты, команда обучила несколько типов моделей машинного обучения, чтобы ответить на простой вопрос «да/нет»: достигнет ли конкретный пациент при данном режиме КРРТ и схеме дозирования целевого уровня воздействия препарата? Алгоритмы, такие как случайный лес, градиентный бустинг и деревья решений, выявили связи между характеристиками пациента, клиренсом при КРРТ, размером дозы, интервалом дозирования, длительностью инфузии и MIC и вероятностью успеха. На тестовых симулированных данных большинство моделей показали высокую точность, многие правильно классифицировали исходы более чем в 95% случаев. Чтобы сделать «чёрный ящик» машинного обучения более прозрачным, исследователи применили SHAP (Shapley Additive Explanations) для ранжирования важности входных параметров. MIC бактерии оказался единственным сильнейшим фактором, за ним шли частота и объём введения меропенема и то, насколько эффективно пациент и аппарат КРРТ выводят препарат.

Тестирование в реальных условиях и прикроватный инструмент

Следующим шагом было проверить, как эти модели работают на реальных пациентах. Авторы использовали данные 78 критически больных людей на различных системах КРРТ, собранные из девяти опубликованных исследований. Для каждого пациента традиционная популяционная модель восстановила детальные кривые концентрации препарата, которые служили эталоном для определения того, достигала ли схема дозирования строгих целей воздействия при ряде правдоподобных значений MIC. Когда моделям машинного обучения предлагалось предсказать те же исходы, опираясь только на характеристики пациента, параметры КРРТ и информацию о дозировании, они в целом превосходили традиционный фармакокинетический подход. В частности, модель на основе градиентного бустинга показала лучшую дискриминацию для обоих порогов воздействия по сравнению с установленной моделью. Эта наиболее эффективная модель была затем встроена в простое веб‑приложение под названием «MeroDose», созданное с использованием фреймворка Streamlit.

От сложных данных к более понятным решениям

У прикроватной точки MeroDose клиницисты могут ввести базовые данные пациента, функцию почек, параметры КРРТ, предложенную дозу и график введения меропенема и предполагаемое значение MIC. Система мгновенно оценивает вероятность того, что выбранная схема поддержит достаточный уровень препарата на протяжении всего интервала дозирования как для стандартной, так и для очень строгой цели. Хотя это не заменяет мониторинг уровней в крови или клиническое суждение, инструмент даёт индивидуализированную отправную точку вместо универсальной дозы. Авторы делают вывод, что эта поддержка, основанная на машинном обучении, может существенно улучшить выбор начальных доз меропенема у пациентов на КРРТ и призывают к проведению проспективных исследований, чтобы подтвердить, что такие инструменты действительно приводят к лучшим исходам и снижению числа резистентных инфекций.

Цитирование: 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

Ключевые слова: сепсис, контinuальное заместительное почечное лечение, дозирование меропенема, машинное обучение в медицине, клиническая поддержка принятия решений