用于疑似败血症新生儿最佳氨基糖苷类用药的进化数字孪生框架

为什么小患者与大数据相遇

当新生儿出现严重感染时，医生通常只有数小时来开始正确剂量的抗生素。但每个重症监护的新生儿都不同，尤其是器官尚未成熟的早产儿。本研究展示了如何为每个婴儿创建虚拟“数字孪生体”，先在计算机上测试抗生素方案，帮助医生选择既能抗感染、又能保护脆弱肾脏并减缓耐药细菌上升的剂量。

制造新生儿的虚拟复制体

研究者为每个婴儿构建了一个数学替身，模拟氨基糖苷类抗生素阿米卡星在体内的运动及其对病原体的作用。孪生体的一部分代表血流、肾脏和身体其他部分，预测药物随时间的分布与清除；另一部分代表由药敏感菌和更顽固菌群组成的细菌群落，并在不断变化的药物浓度下跟踪它们的生长、竞争与死亡。这两部分相互联结，使得虚拟婴儿及其虚拟感染在治疗期间共同演化。

教会孪生体追踪真实肾功能

在病重新生儿中，肾功能可能日益波动，尤其是极早产儿、出现产时缺氧的婴儿或接受其他损伤肾脏药物时。团队用一种深度学习模型——长短期记忆网络（LSTM）——在7000多条真实的血清肌酐测量数据上进行训练。这使得孪生体能够每天基于简单的床旁数据更新关键的肾脏滤过值。与早期的手工构建肾模型相比，这种新方法在不同医院和疾病类型中更准确地预测肌酐，从而提供更可靠的药物浓度预测。

用真实药物浓度和感染情况核验孪生体

为保证孪生体表现逼真，科学家将1600多名接受阿米卡星治疗的新生儿的真实治疗记录输入模型。虚拟模型以适度误差重现了数千次血药浓度测量，即使在接受缺氧后低温治疗或使用额外心脏支持药物的婴儿中亦然。当团队比较模型预测的细菌数量时，这些预测与同一批婴儿的血培养阳性或阴性结果相符。这表明孪生体不仅能追踪药物水平，还能反映临床中观察到的感染控制总体模式。

让计算机调整治疗方案

在验证后，研究者使用数字孪生体在覆盖广泛胎龄和产后年龄的庞大虚拟人群中探索治疗选择。一个优化程序在标准给药范围内搜索，为每个孪生体找到个性化方案，在抑制细菌的同时使峰浓度足够高，而剂量间浓度足够下降以降低肾脏风险。模型还允许细菌的药敏性在治疗期间逐步降低，模拟耐药性的缓慢上升。更高级的控制器版本会提前考虑数次给药并调整给药时间表，以防止更顽固细菌的晚期反弹，从而在不将药物浓度推向危险区的前提下改善长期控制。

这对脆弱新生儿意味着什么

对于模拟婴儿和真实医院队列，数字孪生指导的给药方案在预测上比目前使用的标准给药规则能更好地清除感染并减少耐药细菌的扩增，同时将暴露保持在公认的安全范围内。该方法仅依赖常规床旁收集的信息，如年龄、体重、肌酐检测和治疗史。尽管仍需前瞻性测试，这项工作指向了一个未来：每个新生儿的抗生素疗程由一个虚拟伴侣持续调整，帮助临床医生给予足够的药物治愈感染，但又不会过量伤害婴儿或助长耐药。

引用: Prunella, M., Romano, C., Borri, A. et al. Evolutionary digital twin framework for optimal aminoglycoside dosing in neonates with suspected sepsis. npj Digit. Med. 9, 367 (2026). https://doi.org/10.1038/s41746-026-02558-w

关键词: 新生儿败血症, 数字孪生, 阿米卡星给药, 抗生素耐药, 精准医学