机器学习在肾移植受者他克莫司剂量预测中的应用

摘要

目的 基于机器学习算法，探讨2种预测模型在肾移植受者他克莫司初始和后续剂量的预测价值。方法 回顾性分析2015年1月至2019年4月期间中山大学附属第一医院1 013例中国肾移植受者的病历资料，重点关注成年肾移植受者的初始和后续剂量，前者收集每例受者33个变量，后者收集26个变量。利用遗传算法结合随机重启爬坡算法通过多数投票确定少数关键临床变量，并进一步剔除Lasso回归变量系数小于最优变量系数阈值的变量。基于结构化表格数据，将选择的少数临床变量输入级联深度森林（CDF）和TabNet深度神经网络中进行分析和比较，并使用留一受试者法进行检验。结果 训练集共纳入613例受者数据，而外部验证集有116例受者。他克莫司初始剂量算法中最终纳入的临床变量有目标浓度、目标浓度距离手术的时间、体质量、性别、手术类型、首次服药距离手术的时间、五酯胶囊、钙通道阻滞剂、肌酐、血红蛋白和CYP3A5，而后续剂量算法中最终纳入的临床变量有目标浓度、目标浓度距离手术的时间、五酯胶囊、肌酐、丙氨酸转氨酶、天冬氨酸转氨酶、上次剂量、上次剂量对应的浓度、上次浓度距离手术的时间。基于上述变量，TabNet模型比CDF模型表现出更佳的预测性能：在初始剂量预测中，预测剂量与实际剂量的误差在±20%范围内的准确率为0.801，且拟合指标R2为0.436；在后续剂量预测中，对应的准确率和R2分别为0.939和0.902。选择变量特征贡献的结果显示，CYP3A5和目标浓度对预测初始剂量贡献最大，而上次剂量及其对应浓度对预测后续剂量贡献最大。此外，独立外部验证结果亦表现良好。结论 调优后的TabNet预测模型可为临床实践中基于机器学习算法的药物剂量预测提供重要参考。

关键词

机器学习 / 肾移植 / 他克莫司 / 遗传算法 / 级联深度森林 / TabNet深度神经网络 / 留一受试者法 / 个性化用药