HƯỚNG DẪN KỸ THUẬT

Định lượng và dược động học chính xác AI

Định lượng chính xác bằng AI kết hợp các mô hình dược động học, mô tả cách thuốc được hấp thụ, phân phối và đào thải, với các đặc điểm riêng của bệnh nhân và nồng độ thuốc được đo để đề xuất liều lượng dành riêng cho từng cá nhân.

Nghe hướng dẫn nàyAI thuật lại · ~3 min

Trên trang nàyđọc 4 phút
  1. Tổng quan
  2. Lặn sâu
  3. Triển khai trong thế giới thực
  4. Tương lai của Liều lượng và Dược động học Chính xác bằng AI
  5. Đưa nó vào thực tế
  6. Tiếp tục khám phá
  7. Câu hỏi thường gặp

Tổng quan

Đối với vancomycin, phần mềm định lượng Bayesian ước tính độ thanh thải của mỗi bệnh nhân từ một hoặc hai nồng độ trong máu để đạt được phạm vi phơi nhiễm mục tiêu. Cách tiếp cận này được ưa chuộng bởi hướng dẫn đồng thuận năm 2020 của Hoa Kỳ về việc định lượng chỉ dựa trên mức đáy.

Lặn sâu

Dược động học tóm tắt hành vi của thuốc bằng một vài thông số. Độ thanh thải (CL) là thể tích máu được đào thải khỏi thuốc trong một đơn vị thời gian. Khối lượng phân phối (V) mô tả mức độ lan truyền của thuốc. Nửa đời theo sau cả hai. Đối với vancomycin, mức tiếp xúc dự đoán hiệu quả tốt nhất là diện tích dưới đường cong nồng độ-thời gian trong 24 giờ (AUC24). Ở trạng thái ổn định, AUC24 bằng liều hàng ngày chia cho độ thanh thải. Vào năm 2020, hướng dẫn đồng thuận sửa đổi từ ASHP, IDSA, PIDS và SIDP đã khuyến nghị dùng liều theo hướng dẫn của AUC đối với các bệnh nhiễm trùng MRSA nghiêm trọng. Nó đặt mục tiêu AUC/MIC từ 400 đến 600, giả sử MIC là 1 mg/L và phần mềm Bayesian ưa thích. Điều này thay thế cách thực hành cũ hơn là nhắm tới mức đáy từ 15 đến 20 mg/L. Sự thay đổi này được thực hiện vì mức đáy dự đoán AUC kém và mức đáy cao có liên quan đến tổn thương thận. Các phương pháp cũ hơn sử dụng biểu đồ hoặc phương trình bậc nhất với hai mức được vẽ ở trạng thái ổn định trong cùng khoảng thời gian dùng thuốc. Các phương pháp Bayes bắt đầu từ một mô hình dân số được phát triển trong các nghiên cứu đã công bố, đưa ra các giá trị tham số điển hình, cách chúng thay đổi theo cân nặng, chức năng thận và tuổi tác cũng như mức độ khác nhau của các bệnh nhân. Sau đó, phần mềm sẽ cập nhật các giá trị đó theo mức độ đo được của bệnh nhân. Nó có thể hoạt động ở một mức độ duy nhất, với các mức độ không ở trạng thái ổn định và với liều lượng không đều. Các ví dụ thương mại bao gồm DoseMeRx, InsightRx và PrecisionPK. Một quan niệm sai lầm phổ biến cho rằng những công cụ này là AI bí ẩn. Hầu hết đều được xây dựng dựa trên các phương pháp đo dược lý đã được thiết lập, được gọi là liều lượng chính xác dựa trên mô hình. Học máy hiện đang được thêm vào để chọn hoặc tính trung bình các mô hình cũng như để dự đoán mức độ phù hợp từ dữ liệu EHR. Một quan niệm sai lầm khác là phần mềm loại bỏ nhu cầu phán xét. Nếu một bệnh nhân khác biệt rõ rệt với nhóm dân số được sử dụng để xây dựng mô hình, chẳng hạn như bị béo phì quá mức, phải chạy thận nhân tạo hoặc chức năng thận thay đổi nhanh chóng, thì các giả định ban đầu của mô hình có thể gây hiểu lầm.

Triển khai trong thế giới thực

Đối với bệnh nhân nhiễm vi khuẩn MRSA trong máu, dược sĩ sẽ nhập thời gian dùng liều vancomycin và hai mức đo được. Phần mềm ước tính AUC trong 24 giờ là khoảng 720 mg·giờ/L và đề xuất liều thấp hơn để đưa mức phơi nhiễm vào khoảng 400 đến 600.

Trước khi rút ra bất kỳ mức nào, phần mềm sẽ sử dụng mô hình dân số với cân nặng và chức năng thận ước tính của bệnh nhân để đề xuất liều tải và phác đồ duy trì đầu tiên.

Đối với bệnh nhân bị xơ nang, độ thanh thải aminoglycoside của họ thường khác với người lớn điển hình, ước tính Bayesian từ mức đo được sẽ hướng dẫn liều lượng tobramycin.

Tại một trung tâm cấy ghép, mức phơi nhiễm busulfan được ước tính từ các mẫu máu sau liều sớm và các liều sau đó được điều chỉnh để đạt mức phơi nhiễm mục tiêu.

Tương lai của Liều lượng và Dược động học Chính xác bằng AI

Liều lượng chính xác dựa trên mô hình đang lan rộng ra ngoài vancomycin và aminoglycoside sang các loại thuốc khác có mức phơi nhiễm rất khác nhau giữa các bệnh nhân, chẳng hạn như một số beta-lactam, thuốc chống ung thư và thuốc sinh học. Xét nghiệm nồng độ thuốc nhanh hơn và tích hợp EHR là những yêu cầu chính. Học máy có thể giúp ích nhiều nhất trong việc lựa chọn mô hình phù hợp cho những bệnh nhân nằm ngoài nhóm dân cư mà mô hình được xây dựng dựa trên đó, nhưng nó cần được xác nhận rằng nó có thể dự đoán tốt các cấp độ trong tương lai. Việc áp dụng sẽ phụ thuộc vào quy trình làm việc, khả năng tiếp cận khảo nghiệm, hoàn trả và nghiên cứu kết quả. Bằng chứng về kết quả lâm sàng tốt hơn, không chỉ đạt được mục tiêu tốt hơn, vẫn đang được phát triển cho nhiều loại thuốc.

Đưa nó vào thực tế

Tại sao nó quan trọng

  • Chi phí và ngân sách. Các quyết định về kiến ​​trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
  • Quyết định rõ ràng hơn. Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
  • Kiểm soát chất lượng. Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.

coi chừng

  • Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
  • Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
  • Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.

Các bước tiếp theo

  1. Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
  2. Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
  3. Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
  4. Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.

Tiếp tục khám phá

Bản tin miễn phí

Nhận bản tóm tắt AI hàng ngày

Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.

Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.

Tự kiểm tra

Take the AI Precision Dosing and Pharmacokinetics quiz

Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.

Bắt đầu bài kiểm tra

Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp

Câu hỏi thường gặp

Liều lượng chính xác và dược động học AI là gì?

Định lượng chính xác bằng AI kết hợp các mô hình dược động học, mô tả cách thuốc được hấp thụ, phân phối và đào thải, với các đặc điểm riêng của bệnh nhân và nồng độ thuốc được đo để đề xuất liều lượng dành riêng cho từng cá nhân. Đối với vancomycin, phần mềm định lượng Bayesian ước tính độ thanh thải của mỗi bệnh nhân từ một hoặc hai nồng độ trong máu để đạt được phạm vi phơi nhiễm mục tiêu. Cách tiếp cận này được ưa chuộng bởi hướng dẫn đồng thuận năm 2020 của Hoa Kỳ về việc định lượng chỉ dựa trên mức đáy.

Hướng dẫn đồng thuận vancomycin năm 2020 nhắm đến phạm vi AUC/MIC nào đối với nhiễm trùng MRSA nghiêm trọng, giả sử MIC là 1 mg/L?

Hướng dẫn khuyến nghị AUC/MIC từ 400 đến 600, thay thế mục tiêu đáy từ 15 đến 20 mg/L.

Ở trạng thái ổn định, vancomycin AUC24 liên quan như thế nào đến liều lượng và độ thanh thải?

Ở trạng thái ổn định, tổng lượng tiếp xúc trong 24 giờ bằng liều hàng ngày chia cho độ thanh thải, đó là lý do tại sao việc ước tính độ thanh thải là trọng tâm của việc định lượng.

Tại sao hướng dẫn lại không sử dụng liều vancomycin ở mức đáy?

Hướng dẫn giải thích rằng đáy là sự thay thế không hoàn hảo cho AUC và các mục tiêu đáy tích cực có liên quan đến độc tính trên thận.

Phương pháp Bayesian có ưu điểm gì so với các phép tính trạng thái ổn định hai cấp độ truyền thống?

Bởi vì chúng bắt đầu từ một mô hình dân số, nên các phương pháp Bayesian có thể cá nhân hóa liều lượng từ dữ liệu thưa thớt, không đều đặn.

Trong ước tính MAP, thời hạn hình phạt được tính theo mức độ biến thiên giữa các chủ đề có tác dụng gì?

Số hạng trước giữ ước tính gần với giá trị tổng thể trừ khi dữ liệu của bệnh nhân ủng hộ điều gì đó khác biệt.