决定因素与机器学习在预测中国新疆癫痫管理中钠丙戊酸亚治疗浓度方面的应用

《European Journal of Drug Metabolism and Pharmacokinetics》：Determinants and Machine Learning Prediction of Subtherapeutic Sodium Valproate Concentrations in Epilepsy Management in Xinjiang, China

　　

摘要

背景与目的

丙戊酸是一种经典的抗癫痫药物，但其治疗窗口较窄、安全范围有限，并且个体间差异显著。治疗药物监测已成为实现丙戊酸个体化给药的关键方法。然而，在医疗资源有限的环境中，常规监测丙戊酸浓度往往不可行。本研究旨在探讨影响丙戊酸浓度的因素，并识别出分类性能最准确的机器学习算法，以帮助临床医生合理、个体化地使用丙戊酸治疗癫痫患者。

方法

接受丙戊酸治疗的患者被分为低于治疗剂量组（<50 mg/L）和治疗剂量组（50–100 mg/L）。采用最小绝对收缩量选择算法（Lasso）逻辑回归来确定与低于治疗剂量组相关的因素。同时，还采用了多种机器学习算法来构建二元分类模型，以预测血清浓度是否处于治疗范围内。

结果

最终共有186名患者纳入研究，其中治疗剂量组110人，低于治疗剂量组76人。两组在每日给药频率、总日剂量、给药途径和碱性磷酸酶水平方面存在显著差异（P < 0.05）。Lasso逻辑回归分析显示，每日给药频率（OR 0.163，P < 0.001）是实现治疗血浓度的唯一具有临床意义的独立保护因素。支持向量机（SVM）模型在训练集和测试集的曲线下面积（AUC）、灵敏度、特异性和准确性方面均表现优异，显示出较强的泛化能力。

结论

增加丙戊酸的每日给药频率有助于提高达到治疗血浓度的概率。本研究结果表明，二元SVM模型可用于预测低于治疗剂量的风险。