Utveckling och validering av en maskininlärningsmodell för individualiserad dosering av meropenem hos patienter i CRRT

Varför detta är viktigt för intensivvårdspatienter

När patienter drabbas av livshotande infektioner på intensivvårdsavdelningen förlitar sig läkare ofta på kraftfulla antibiotika och konstgjorda njurmaskiner för att hålla dem vid liv. Att avgöra rätt antibiotikados för varje patient som får kontinuerlig, dialysliknande behandling är ändå överraskande svårt. Denna studie visar hur ett verktyg baserat på maskininlärning kan hjälpa läkare att välja säkrare, effektivare doser av det bredspektriga antibiotikumet meropenem för några av de sjukaste patienterna på sjukhuset.

Dosdilemmat vid sköra njurar

Sepsis, en allvarlig kroppsomfattande infektion, skadar ofta njurarna så allvarligt att patienter behöver kontinuerlig renal ersättningsterapi (CRRT) — en form av långsam, dygnet‑runt‑dialys. Meropenem används ofta för att behandla dessa infektioner, men läkemedlets beteende i kroppen förändras dramatiskt vid kritisk sjukdom. Vätskeförskjutningar, organsvikt och CRRT‑maskinen i sig påverkar hur snabbt läkemedlet elimineras. För lite meropenem ökar risken för behandlingssvikt och antibiotikaresistens; för mycket ökar risken för biverkningar som hjärn‑ och njurtoxicitet. Traditionella doseringsformler baserade på genomsnittspatienter missar ofta målet för individer vars fysiologi ligger långt från det normala.

Bygga en virtuell intensivvårds‑population

Eftersom stora, högkvalitativa läkemedelsstudier i så instabila patienter är sällsynta skapade forskarna först en virtuell population om 48 000 simulerade CRRT‑patienter med hjälp av en befintlig farmakokinetisk modell för meropenem. För varje simulerad patient varierade de ålder, kroppsvikt, njurfunktion, CRRT‑inställningar, meropenemdos, doseringsintervall, infusionstid och hur aggressiv den infekterande bakterien var (sammanfattat som minimum inhibitory concentration, eller MIC). Därefter beräknade de om varje doseringsschema höll meropenemnivåerna tillräckligt höga i blodet under hela doseringsintervallet — både vid en standardgräns (100 % av tiden över MIC) och vid en mycket strikt gräns (100 % över fyra gånger MIC), vilken anses bättre skydda mot behandlingssvikt och resistens.

Träna maskiner att förutsäga framgång

Med hjälp av dessa virtuella patienter tränade teamet flera typer av maskininlärningsmodeller för att svara på en enkel ja‑/nej‑fråga: kommer en viss patient, med en specifik CRRT‑konfiguration och doseringsplan, att nå uppsatt läkemedelsexponeringsmål? Algoritmer som random forests, gradient boosting och beslutsträd lärde sig mönster som kopplar patientegenskaper, CRRT‑clearance, dosstorlek, doseringsintervall, infusionstid och MIC till sannolikheten för framgång. Över de simulerade testdata var de flesta modeller mycket träffsäkra, många klassificerade utfall korrekt i mer än 95 % av fallen. För att öppna maskininlärningens ”svarta låda” använde forskarna SHAP (Shapley Additive Explanations) för att rangordna vilka indata som betydde mest. Bakteriell MIC var den enskilt starkaste drivaren, följd av hur ofta och hur mycket meropenem gavs och hur effektivt patienten och CRRT‑maskinen rensade läkemedlet.

Världstest och ett verktyg vid sängen

Nästa steg var att se hur dessa modeller presterade på riktiga patienter. Författarna använde data från 78 kritiskt sjuka individer på olika CRRT‑system, sammanställda från nio publicerade studier. För varje patient rekonstruerade en traditionell populationsmodell detaljerade läkemedelskoncentrationskurvor, vilka fungerade som referensstandard för om doseringen uppnådde de strikta exponeringsmålen över ett spann av rimliga MIC‑värden. När maskininlärningsmodellerna fick i uppdrag att förutse samma utfall med enbart patientkarakteristika, CRRT‑inställningar och doseringsinformation, presterade de generellt bättre än den konventionella farmakokinetiska metoden. Särskilt en gradient boosting‑modell uppnådde högre diskriminering för båda exponeringsmålen än den etablerade modellen. Denna bäst presterande modell integrerades sedan i en enkel webbapplikation, kallad ”MeroDose”, byggd med Streamlit‑ramverket.

Från komplex data till tydligare val

Vid sjuksängen tillåter MeroDose‑verktyget kliniker att mata in en patients grundläggande uppgifter, njurfunktion, CRRT‑parametrar, föreslagen meropenemdos och schema samt ett antaget MIC. Systemet uppskattar omedelbart chansen att detta regimen håller läkemedelsnivåerna tillräckligt höga under hela doseringsintervallet, vid både standard- och mycket strikta mål. Medan det inte ersätter blodnivåövervakning eller kliniskt omdöme ger det en patientanpassad utgångspunkt i stället för en universaldos. Studien avslutar att detta maskininlärningsdrivna stödsystem kan förbättra hur initiala meropenemdoser väljs för CRRT‑patienter och efterlyser prospektiva studier för att bekräfta att sådana verktyg leder till bättre utfall och färre resistenta infektioner.

Citering: 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

Nyckelord: sepsis, kontinuerlig renal ersättningsterapi, dosering av meropenem, maskininlärning inom medicin, kliniskt beslutsstöd