近日，药学院赵维教授团队在机器学习促进药物精准治疗方面取得新进展，在药代动力学专业领域顶级期刊《临床药理学与治疗学》（Clinical Pharmacology & Therapeutics）发表了题为“Machine Learning: a New Approach for Dose Individualization”的综述性论文。该研究首次提出了机器学习模型在剂量预测方面的标准规范，以及评估这些标准的方法，促进机器学习模型向临床实践的转化，为精准治疗的实施提供更加科学和系统的指导。

（A）研究数量；（B）药物类别和应用群体；（C）纳入研究的研究人群；（D）国家分布；（E）患者数量；（F）数据来源和研究类型。

该论文是机器学习在药代动力学领域应用的第一篇系统性综述。伴随着大数据时代和互联网时代的到来，机器学习在医学领域中表现出独特优势。然而，机器学习在药物个体化治疗方面的应用仍处于起步阶段，需要进一步探索。本研究全面总结了现有研究中的研究人群、预测目标、数据来源、机器学习算法、特征的选择，以及其预测性能的评估和验证，并使用Prediction model Risk of Bias Assessment Tool（PROBAST）来评估纳入研究的偏倚风险。研究发现，机器学习可以用于先验和后验剂量选择和优化，并且还可以帮助进行治疗药物监测的实施。

赵维教授团队一直致力于定量药理学技术的开发和应用，前期大量的技术开发工作为这一综述提供了坚实的基础。该团队首创群体药代动力学和机器学习相结合的方法学思路，实现了6种肾排泄药物在新生儿群体中个体清除率的准确预测（Clinical Pharmacokinetic, 2021;60(11):1435-1448）。此外，赵维教授团队首次将机器学习应用到新生儿MRSA感染首选药物—万古霉素的个体化治疗中，建立的模型可实现基于目标谷浓度的初始剂量设计，以及基于监测到的谷浓度和目标AUC的后续剂量优化（Clinical Pharmacokinetic, 2023;62(8):1105-1116）。

赵维教授团队关于机器学习促进药物精准治疗方面的系列研究帮助临床医务工作者和研究人员更好地理解机器学习在精准治疗中的潜力，为未来的药物治疗提供更高效、个体化的方案。以上研究得到了国家重点研发计划、国家自然科学基金、山东省泰山学者特聘专家项目、山东省自然科学基金、金沙9001w以诚为本入口杰出中青年学者项目的支持。

原文链接：https://pubmed.ncbi.nlm.nih.gov/37713106/