机器学习估算中国重症A型血友病儿童的FVIII药代动力学参数

这项研究对家庭的重要性

对于患有重症A型血友病的儿童来说，为了预防危险的出血，往往需要频繁就医并多次抽血以找到适当的凝血药物剂量。本研究探讨现代人工智能能否在保证医生获得为每个孩子定制治疗所需信息的同时，安全地减少针刺次数。

为每个孩子寻找合适的剂量

A型血友病是一种遗传性疾病，血液中缺乏一种名为第八因子（factor VIII，FVIII）的蛋白，导致止血困难。预防性定期输注FVIII浓缩制剂是主要治疗手段，而不是在出血发生后再进行治疗。但儿童在体内清除FVIII的速度上差异很大。如果剂量过低或给药间隔过长，儿童可能会发生出血；如果剂量过高或给药过于频繁，治疗负担和费用将增加。传统上，医生通过详尽的药代动力学检测来估算每位患者FVIII的两个关键属性——输注后血浓度的即时上升（体内恢复，IVR）和在体内滞留的时间（半衰期）——这类检测可能需要多达11次采血。

旧工具与新的数据驱动辅助

目前的临床工具，如被广泛使用的WAPPS-Hemo平台，依赖于药物在体内运动的数学模型。这些模型科学性强且功能强大，但需要专门软件、专家配置和严格时序的采血，这在繁忙的儿科门诊中往往难以实现。研究人员提出疑问：机器学习——直接从数据中学习模式的计算程序——能否提供一种更简单、更灵活的替代方案。他们收集了88名中国重症A型血友病儿童的常规临床信息，包括年龄、身高、体重、血型、在标准输注后若干FVIII测定值以及与凝血相关的实验室指标。

教机器解读稀疏的血样

研究团队测试了多种机器学习方法：简单的线性公式、决策树集成、标准神经网络、为表格数据设计的Transformer模型、一种内置已知药物行为的“科学”模型，以及一种将每位儿童数据视为短文本的基于现代语言模型的系统。重要的是，他们仅限于使用三次输注后FVIII测定，反映了日常护理中的现实条件。然后，他们将每种方法对IVR和半衰期的预测与来自完整六点药代动力学研究的数值进行了比较，并与在相同稀疏采样条件下使用WAPPS-Hemo的估算结果进行了对比。

机器的发现

所有机器学习模型在预测输注后FVIII的即时上升方面都与传统工具持平或优于传统工具。在这一方面，最简单的方法——直接的线性模型——实际上表现最好，这表明早期反应受少数主导因素支配，不需要复杂算法。半衰期反映的是较慢的清除过程及众多相互作用因素，因此更难预测。在这项任务中，更灵活的模型，尤其是基于Transformer的语言模型，明显领先，在所测试条件下将误差相比WAPPS-Hemo减少了超过90%。研究还表明，三个精心选择的采样时点（大约在输注后1、3和24小时）在准确性与可操作性之间取得了良好平衡，并且即便样本更少也可能得到合理的估算。

看清“黑箱”内部

为了确保算法学习的是医学上合理的模式而非偶然相关，研究人员使用了解释工具来对输入变量的重要性进行排序。对于IVR，最强的单一影响因素是输注后1小时测得的FVIII水平，其次是按体重计算的剂量——这正是临床医生所预期的。对于半衰期，晚期测量值（尤其是24小时），以及年龄、血型、基线FVIII和一种相关蛋白——冯·维尔布兰因子（von Willebrand factor）最为重要。这些因素都已知会影响FVIII在体内的持续时间。那种将药物浓度指数衰减纳入模型结构的“科学”机器学习模型在数据非常稀疏时仍表现稳定，表明将方程式与数据驱动学习相结合可以提高鲁棒性。

这对患者护理可能意味着什么

这项工作表明，精心设计的机器学习模型可以使用远少于传统检测的采血次数来估算医生实际使用的两个药代动力学数值——IVR和半衰期，并且在这组中国儿科队列中，其准确性优于一项领先的临床平台。对家庭而言，这可能意味着更少的门诊就诊、更少的针刺以及更符合每个孩子生物特性的治疗计划。作者强调，他们的结果来源于单中心和相对较小的患者群体，因此在此类工具被广泛采用之前需要更大规模、多中心的研究。不过，该研究指向了一个前景：智能且可在本地部署的AI系统有望使个性化血友病护理更精确、侵入性更低且更易获得。

引用: Wang, Y., Ai, D., Wang, S. et al. Machine learning estimation of FVIII pharmacokinetic parameters in Chinese children with severe Hemophilia A. npj Syst Biol Appl 12, 51 (2026). https://doi.org/10.1038/s41540-026-00674-7

关键词: A型血友病, 第八因子, 药代动力学, 机器学习, 儿科精准给药