一种万古霉素血药谷浓度预测方法、系统、设备及介质
本技术涉及药物浓度预测,具体而言,涉及一种万古霉素血药谷浓度预测方法、系统、设备及介质。
背景技术:
1、万古霉素作为治疗耐甲氧西林金黄色葡萄球菌(mrsa)等革兰阳性菌重症感染的关键抗生素,其疗效与安全性高度依赖治疗药物监测(therapeutic drug monitoring,tdm)。临床指南明确推荐以血药谷浓度(cmin)或24小时药时曲线下面积(auc0–24h)作为tdm核心指标。然而,在重症监护病房(icu)中,约50%的患者存在肾功能亢进(augmentedrenal clearance, arc),定义为肌酐清除率(crcl)≥130 ml/min/1.73m²。arc显著加速万古霉素经肾排泄,导致cmin达标率在arc患者中普遍低于40%,远低于非arc患者(约70–80%),进而引发治疗失败、耐药风险上升及二次感染恶化。
2、当前tdm实践面临三重结构性瓶颈:其一,检测方法滞后性。cmin需待万古霉素给药达稳态(通常需≥3个半衰期)后采样,致使初始剂量调整延迟48–72小时;auc估算虽可缩短窗口,但主流贝叶斯方法依赖专用付费软件及预设群体药代动力学(ppk)模型,其先验参数难以适配arc患者的高清除率病理表型,泛化能力差;而基于峰-谷双点的一阶动力学公式则对肾功能波动敏感,变异系数常>30%,在arc患者中误差不可接受。其二,预测模型知识脱节。现有ppk模型多基于健康志愿者或特定亚组(如烧伤、创伤)构建,未纳入arc核心驱动因素(如炎症介导的肾血流增加、白蛋白降低致游离药物升高、血管活性药物使用影响肾灌注等);列线图等工具受限于可视化维度,仅能容纳1–2个变量(如crcl、体重),无法刻画arc的多维动态本质。其三,机器学习方法表征浅层。近期研究尝试采用xgboost、lstm或jointmlp预测cmin,但其输入多为静态汇总统计值(如入icu时crcl、平均尿量),未结构化建模临床观测与给药事件的时序拓扑关系(如末次给药至采样时间间隔、24小时内给药频次与剂量累积);更关键的是,所有现有ml模型均将药代动力学视为黑箱拟合目标,未将万古霉素一室/二室模型的先验知识(如清除率-分布容积-消除速率常数间的数学约束)显式编码为可学习结构,导致模型在arc患者中易产生违背药理常识的预测(如高crcl下反预测高cmin)。
3、因此,亟需一种能够深度融合arc多维动态表型、结构化表征时序临床-给药事件、并将药代动力学先验以可微分方式嵌入模型主干的预测方法,以突破现有技术在重症arc人群中的精度、时效性与临床可信度瓶颈。
技术实现思路
1、有鉴于此,本技术的目的在于提供一种万古霉素血药谷浓度预测方法、系统、设备及介质,有效地解决了现有的万古霉素血药谷浓度预测技术存在的预测精度低、临床可解释性弱的问题。
2、第一方面,本技术实施例提供了一种万古霉素血药谷浓度预测方法,所述方法包括:
3、获取重症肾功能亢进患者的多模态原始数据,构建出所述多模态原始数据中的目标采样时间信息前的预设时间窗内的临床时序样本和给药事件样本,并与目标采样时间信息分别转化为临床变量token、万古霉素给药事件token、采样目标token;
4、从所述多模态原始数据中筛选出多种第一关键数据和多种第二关键数据,基于多种第一关键数据计算出用于量化患者当前肾功能亢进状态的arc门控因子;
5、根据多种第二关键数据、arc门控因子参与确定个体化清除率和个体化分布容积,计算出药代动力学先验浓度;所述药代动力学先验浓度表征在理想药代动力学假设下重症肾功能亢进患者在目标采样时间应达到的万古霉素理论浓度基线的药代动力学先验浓度;
6、通过预先构建好的万古霉素预测模型基于所述临床变量token、给药事件token、采样目标token、arc门控因子以及药代动力学先验浓度进行预测,得到万古霉素血药谷浓度的预测结果,以实现重症肾功能亢进患者的万古霉素血药谷浓度预测。
7、结合第一方面,本技术实施例提供了第一方面的第一种可能的实施方式,其中,通过预先构建好的万古霉素预测模型基于所述临床变量token、给药事件token、采样目标token、arc门控因子以及药代动力学先验浓度进行预测,包括:
8、提取所述临床变量token、给药事件token、采样目标token中的数据特征,结合药代动力学先验知识与数据质量规则,构建出药代偏置注意力矩阵与噪声注意力矩阵;
9、利用arc门控因子对药代偏置注意力矩阵与噪声注意力矩阵的差值进行动态缩放,得到药代偏置差分注意力矩阵以进行预测。
10、结合第一方面,本技术实施例提供了第一方面的第二种可能的实施方式,其中,得到药代偏置差分注意力矩阵以进行预测,包括:
11、从所述临床变量token、给药事件token分别提取出静态特征表示、给药事件综合表示;
12、通过药代偏置差分注意力模块整合所述静态特征表示、给药事件综合表示、药代偏置差分注意力矩阵、arc门控因子以及药代动力学先验浓度,得到患者隐含表示;
13、根据药代先验乘性校正输出层基于所述患者隐含表示进行预测,输出预测得到的万古霉素血药谷浓度预测结果。
14、结合第一方面,本技术实施例提供了第一方面的第三种可能的实施方式,其中,预先构建好的万古霉素预测模型基于以下步骤进行训练:
15、获取真实万古霉素血药谷浓度作为监督标签,令预测结果与监督标签之间的差异为损失函数;
16、基于所述损失函数,采用梯度下降算法对万古霉素预测模型中的可学习采纳数进行端到端的联合优化。
17、结合第一方面,本技术实施例提供了第一方面的第四种可能的实施方式,其中,根据多种第二关键数据、arc门控因子参与确定个体化清除率和个体化分布容积,计算出药代动力学先验浓度,包括:
18、基于arc门控因子分别对基础清除率、基础分布容积进行加权调节得到所述个体化清除率和个体化分布容积;
19、基于个体化清除率与个体化分布容积计算消除速率常数,以基于消除速率常数、给药剂量、输注时长及输注结束至目标采样时刻的时间间隔,计算各次给药事件在目标采样时刻的浓度贡献;
20、整合各次给药事件在目标采样时刻的浓度贡献,得到所述药代动力学先验浓度。
21、结合第一方面,本技术实施例提供了第一方面的第五种可能的实施方式,其中,基于多种第一关键数据计算出用于量化患者当前肾功能亢进状态的arc门控因子,包括:
22、以肌酐清除率、肌酐清除率变化趋势、尿量、血清肌酐、液体平衡、白蛋白及血管活性药物使用情况作为第一关键数据;
23、将多种第一关键数据输入预设函数进行处理,以输出用于量化患者当前肾功能亢进状态的arc门控因子。
24、结合第一方面,本技术实施例提供了第一方面的第六种可能的实施方式,其中,临床时序样本和给药事件样本,并与目标采样时间信息分别转化为临床变量token、给药事件token、采样目标token,包括:
25、预先针对临床时序样本、给药事件样本、目标采样时间信息分别配置对应的转化函数;
26、运行所述转化函数,以转化出临床变量token、给药事件token、采样目标token。
27、第二方面,本技术实施例提供了一种万古霉素血药谷浓度预测系统,所述系统包括:
28、获取模块,用于获取重症肾功能亢进患者的多模态原始数据,构建出所述多模态原始数据中的目标采样时间信息前的预设时间窗内的临床时序样本和给药事件样本,并与目标采样时间信息分别转化为临床变量token、万古霉素给药事件token、采样目标token;
29、筛选模块,用于从所述多模态原始数据中筛选出多种第一关键数据和多种第二关键数据,基于多种第一关键数据计算出用于量化患者当前肾功能亢进状态的arc门控因子;
30、计算模块,用于根据多种第二关键数据、arc门控因子参与确定个体化清除率和个体化分布容积,计算出药代动力学先验浓度;所述药代动力学先验浓度表征在理想药代动力学假设下重症肾功能亢进患者在目标采样时间应达到的万古霉素理论浓度基线的药代动力学先验浓度;
31、预测模块,用于通过预先构建好的万古霉素预测模型基于所述临床变量token、给药事件token、采样目标token、arc门控因子以及药代动力学先验浓度进行预测,得到万古霉素血药谷浓度的预测结果,以实现重症肾功能亢进患者的万古霉素血药谷浓度预测。
32、第三方面,本技术实施例提供了一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行任一项所述的一种万古霉素血药谷浓度预测方法的步骤。
33、第四方面,本技术实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行任一项所述的一种万古霉素血药谷浓度预测方法的步骤。
34、本技术实施例提供的一种万古霉素血药谷浓度预测方法,通过构建“临床变量token、给药事件token、采样目标token”异构时序表示,首次实现对arc患者多源异步数据的结构化对齐;利用肌酐清除率、其变化趋势、尿量、血清肌酐、液体平衡、白蛋白及血管活性药物使用等七维指标动态计算arc门控因子,使模型可量化识别arc状态强度及其波动性;进一步将该门控因子与基于给药剂量、输注时长、清除率/分布容积推导的药代动力学先验浓度耦合,驱动药代偏置差分注意力机制在注意力权重中显式注入药动学衰减规律、时间邻近性及肾清除特异性偏置,迫使模型在预测中主动校正arc所致的清除高估偏差。本技术不仅解决了现有的万古霉素血药谷浓度预测技术存在的预测精度低的问题,其输出具备临床可解释性:医生可通过arc门控因子数值直观判断患者arc严重程度,并依据药代先验浓度与模型校正量评估剂量调整方向,真正实现“知识引导的智能决策”,显著提升重症感染治疗的安全性、时效性与个体化水平。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com