换一批基于机器学习的他克莫司剂量/体质量调整谷浓度个体化预测模型
Individualized prediction model of tacrolimus dose/weight-adjusted trough concentration based on machine learning approach
摘要目的 利用机器学习(ML)算法建立他克莫司剂量/体质量调整谷浓度(TAC C0/D)预测模型.方法 收集来自72例接受同种异体肾脏移植手术患者的264份TAC血药浓度监测数据.分析人口统计学资料、临床特征、联合用药及超声特征参数对TAC C0/D的影响.选择在TAC C0/D的单因素分析中P＜0.05的特征纳入随机森林(RF)算法进行重要性分析,筛选重要特征,并利用偏依赖图对重要特征进行解释.使用RF、支持向量回归(SVR)、极端梯度提升(XGBoost)、决策树(DT)和人工神经网络(ANN)5种ML算法建立TAC C0/D预测模型,并对性能最佳的RF模型进行超参数调优.结果 保留了重要性评分＞5的10个特征变量并纳入ML模型,分别是:谷氨酰胺转氨酶、红细胞计数、尿素氮、体质量、血肌酐、肾段动脉阻力指数、肾主动脉阻力指数、血细胞比容、肾盂杨氏模量值和移植术后时间.偏依赖图显示筛选出的10个重要变量均与TAC C0/D呈正相关.调优后的RF模型性能优于其他模型,其R2为0.81,RMSE为43.93,MAE为29.97.结论 ML模型预测TAC C0/D的表现良好,创新性地利用偏依赖图对特征进行了解释.调优后的RF模型性能最佳,为肾移植患者TAC个体化调整用药提供了新的手段.
更多相关知识
关键词
异体肾脏移植他克莫司多普勒超声偏依赖图机器学习个体化药物治疗kidney transplantationtacrolimusdoppler ultrasoundpartial dependence plotmachine learningindividualized drug therapy
分类号
R617.5（外科手术学）
栏目名称
DOI
10.19405/j.cnki.issn1000-1492.2025.02.023
发布时间
2025-04-14（万方平台首次上网日期，不代表论文的发表时间）
- 浏览21
- 被引3
- 下载15
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
