为接受连续肾脏替代治疗的患者开发并验证个体化亚胺培南剂量的机器学习模型

这对重症监护患者为何重要

当重症监护中的患者出现危及生命的感染时，医生常依赖强效抗生素和人工肾脏装置来维持生命。然而，为接受类似持续透析治疗的患者确定合适的抗生素剂量却出乎意料地困难。本研究展示了一种基于机器学习的工具如何帮助医生为住院中最危重的一部分患者选择更安全、更有效的广谱抗生素亚胺培南剂量。

在脆弱肾功能下的剂量两难

败血症是一种严重的全身性感染，常常导致肾脏损伤严重到需要连续肾脏替代治疗（CRRT）——一种缓慢且持续的透析形式。亚胺培南常用于治疗这些感染，但在危重病时其体内行为会发生显著变化。体液重新分布、器官功能衰竭以及CRRT装置本身都会改变药物的清除速度。亚胺培南剂量不足会导致治疗失败和抗生素耐药；剂量过高则增加脑毒性和肾毒性等副作用风险。基于平均患者的传统剂量公式常常无法满足生理状态明显异常的个体需求。

构建虚拟重症监护人群

由于在这类不稳定患者中开展大规模、高质量的药代动力学研究十分罕见，研究者首先利用已有的亚胺培南药代动力学模型创建了48000名模拟CRRT患者的虚拟人群。对于每一名模拟患者，他们变动了年龄、体重、肾功能、CRRT设置、亚胺培南剂量、给药间隔、输注时间以及致病菌的强度（以最低抑菌浓度，MIC，表示）。然后他们计算每种给药方案在整个给药期间是否能将血药浓度维持在足够高的水平——既按常规阈值（100%时间高于MIC），也按更严格的阈值（100%时间高于4倍MIC），后者被认为能更好地防止治疗失败和耐药发生。

训练模型以预测成功率

利用这些虚拟患者，团队训练了几类机器学习模型来回答一个简单的是/否问题：某位患者在特定CRRT设置和给药方案下，能否达到期望的药物暴露目标？随机森林、梯度提升和决策树等算法学习了将患者特征、CRRT清除率、剂量大小、给药间隔、输注时间和MIC与成功概率关联的模式。在模拟测试数据中，大多数模型表现出高度准确性，许多模型在超过95%的案例中正确分类。为了解开机器学习的“黑箱”，研究者使用了SHAP（Shapley加性解释）来评估各输入变量的重要性。细菌的MIC是影响最大的单一因素，其次是给药频率与剂量以及患者与CRRT装置的药物清除效率。

真实世界测试与床边工具

下一步是评估这些模型在真实患者中的表现。作者利用来自九项已发表研究的78名接受不同CRRT系统治疗的危重患者数据。对于每名患者，传统的群体药代动力学模型重建了详细的药物浓度曲线，作为判断在一系列可能的MIC值下是否达到严格暴露目标的参考标准。当仅使用患者特征、CRRT设置和给药信息让机器学习模型预测相同结局时，这些模型总体上优于传统药代动力学方法。尤其是一种梯度提升模型在两种暴露目标的区分能力上都超过了既有模型。该表现最佳的模型随后被嵌入到一个基于Streamlit框架的简易网页应用“ MeroDose”中。

从复杂数据到更清晰的决策

在床边，MeroDose工具允许临床医师输入患者的基本信息、肾功能、CRRT参数、拟用亚胺培南的剂量与给药方案以及假定的MIC。系统会即时估算该方案在整个给药间隔内维持足够高药物水平的概率，分别针对常规和更严格的目标。尽管它不能替代血药浓度监测或临床判断，但相比一刀切的剂量，提供了基于患者个体情况的起始方案。研究结论指出，这一由机器学习驱动的辅助系统可以在为CRRT患者选择初始亚胺培南剂量方面带来有意义的改进，并呼吁开展前瞻性试验以确认此类工具能否转化为更好的临床结局和更少的耐药情况。

引用: 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

关键词: 败血症, 连续肾脏替代治疗, 亚胺培南剂量, 医学中的机器学习, 临床决策支持