AI与药学 | 人工智能赋能个体化精准给药策略

本文链接：https://blog.csdn.net/simoncool23/article/details/145371561

精准给药策略旨在根据患者个体的特异性数据，优化关键药物的治疗方案，从而提高疗效并减少不良反应。传统精准给药主要依赖于治疗药物监测（TDM），即通过监测血药浓度来调整剂量。然而，随着医学的进步，生物标志物、临床结局等更多数据源被纳入考量，以期更全面地指导个体化用药。近期，人工智能（AI）技术的快速发展为精准给药带来了新的机遇。本文将解读Jeffrey S Barrett在PMC11321806发表的文章 "Artificial Intelligence Opportunities to Guide Precision Dosing Strategies"，探讨AI如何赋能精准给药策略，并展望未来的发展方向。（关注公众号“”赛文AI药学“，获取更多AI与药学的内容）

精准给药的历史与现状

Barrett (2024) 在文章中回顾了精准给药的发展历程。早在1969年，就出现了基于药代动力学（PK）和药效动力学（PD）数据的模型指导精准给药工具，用于优化抗凝治疗方案。Roger Jelliffe被誉为精准给药领域的先驱，他在科学原理、TDM现代化、生物分析要求、复杂模型算法、临床评估和实施等方面做出了卓越贡献。

尽管技术不断进步，电子健康记录（EHRs）普及、数据可及性提升、云计算基础设施兴起，加速了模型指导的精准给药（MIPD）的推广，但实际应用仍然有限，且多为单机构内部方案，缺乏数据、模型和决策支持系统的协同共享。

精准医学的背景与AI的潜力

精准医学强调个体化差异，涵盖基因、环境、生活方式等因素，旨在通过个体化策略最大化医疗保健质量。其范畴广泛，包括药物发现、基因组学、健康传播和因果推断等，核心是数据驱动的循证决策。精准医学可以被视为一系列决策规则，根据最新的患者信息推荐行动方案，例如药物选择、剂量调整、给药时间、饮食运动建议等。

AI技术的进步，尤其是在模式识别、复杂问题解决方面的能力，为医疗保健领域带来了变革性机遇。AI算法能够分析海量生物数据，包括基因组学和蛋白质组学数据，从而识别疾病相关靶点，预测药物和疫苗候选物的相互作用。在图像识别和诊断系统中，AI甚至在某些情况下超越了临床医生的水平。AI驱动的临床决策支持系统有望减少诊断错误，辅助医生进行EHR数据提取和文档记录。

文章强调，AI在医疗保健中的作用更应被理解为“增强智能”，而非取代医生。AI可以增强人类的决策能力，在肿瘤学、影像学、初级保健等多个领域提供可操作的见解。例如，基于大量乳腺X线图像和EHR数据训练的AI算法，在乳腺癌预测方面已达到甚至超过放射科医生的水平。Deep Patient等AI工具也展示了在疾病预测方面的潜力，尽管其决策 rationale 尚待完善。约翰霍普金斯大学开发的精准医学分析平台，整合多源数据，为研究人员提供安全的数据分析环境，旨在加速知识发现、提升医疗效率和改善患者结局。

AI赋能精准给药策略

Barrett (2024) 认为，个体化药物治疗不应局限于特定工具或方法，MIPD应突破目前以TDM为中心的局限，与更广泛的精准医学理念相结合。精准医学领域拥有多元化的利益相关者，包括医院、生物制药公司、诊断和生命科学工具公司、商业和学术实验室以及投资者。构建能够促进研究、促进协作并最终为患者提供解决方案的平台至关重要，尤其是在AI被视为精准医学策略重要组成部分的情况下。

AI和机器学习（ML）在精准给药中的应用前景广阔，但评估尚处于初期阶段。ML处理多维数据（如EHR数据）的能力，为AI和ML应用于TDM和MIPD提供了优势。Poweleit等 (2024) 强调，成功实施这些方法需要临床医生、信息学、ML、药代动力学、临床药理学和TDM专家之间的跨领域合作，可能还需要统计学、生物信息学和数据科学的深度参与。

研究对比了群体药代动力学/药效动力学（Pop PK/PD）建模和ML方法。Pop PK/PD建模是药代动力学的核心方法，也是TDM精准给药解决方案的基石，它描述了药物在群体水平的暴露量和疗效，以及个体间变异性和预测性协变量。ML则侧重于最准确的结局预测。尽管Pop PK/PD建模可以被视为一种ML形式，但两者区别在于模型类型。Pop PK/PD建模通常基于PK/PD概念构建结构模型，以获得药理学和生理学上合理的参数估计，而ML则侧重于使用最适用的模型来最小化预测误差。

尽管药代动力学和AI方法整合应用起步较晚，但早在20世纪90年代就已出现将神经网络应用于PK/PD分析和系统的研究。Barrett (2024) 强调，ML将作为传统药代动力学方法的补充，而非替代，共同实现精准给药的目标。关键在于理解研究问题，并根据问题选择合适的工具，可以是ML、传统药代动力学方法，或二者结合。

AI整合带来的优势与挑战

AI整合到现有和未来的精准给药解决方案中的主要优势之一，是处理多样化、大规模、非结构化数据源的能力。超越简单的TDM驱动的精准给药策略，AI整合提供了处理影像数据、EHR数据、基因组数据等机制。然而，许多非传统数据源并非总是存在于机构的EHR系统中，数据识别、管理和整合成为额外的挑战。此外，目前大多数平台 (2024) 尚未提供这种能力，但这并非不可克服。

文章在Table 2中列举了AI增强精准给药在不同治疗领域的潜在应用，包括抗凝、糖尿病、哮喘、结核病和肿瘤等。例如，在抗凝领域，AI可以基于历史数据和个体INR数据评估出血风险；在糖尿病领域，AI可以基于HbA1c数据评估低血糖风险；在哮喘领域，AI可以优化奥马珠单抗剂量以实现个体化的血清IgE降低目标；在结核病领域，AI可以结合TDM和生物标志物水平，个体化抗生素组合和剂量，定制治疗持续时间。在肿瘤领域，AI可以通过整合基因组学、表观基因组学和转录组学数据，预测卵巢癌患者的生存结局和胶质母细胞瘤的进展。

Barrett (2024) 指出，未来的MIPD必然需要扩展，超越以PK为中心、以TDM数据为唯一输入来源的模式。非传统数据类型，如基因组学和影像学数据，是重要的扩展方向。然而，这些数据类型在数据质量评估、数据管理以及与传统MIPD数据源的整合方面带来了挑战。

电子健康记录（EHR）的基础设施作用

全球范围内，各国都在投资构建电子病患护理环境，以衡量和提高医疗保健质量，并控制成本。美国2009年通过的《健康信息技术促进经济和临床健康（HITECH）法案》加速了EHR的普及。EHR包含大量的患者特异性信息，包括人口统计学、诊断、实验室结果、程序、药物、影像学研究结果和临床医生 notes。EHR与计算机医嘱录入（CPOE）系统和临床决策支持工具等应用程序接口。

Barrett (2024) 强调，整合AI方法和技术将是不断发展的MIPD领域的重要组成部分，尤其是在个体化给药的重点从以TDM为中心的方法扩展到更广泛的精准医学计划时。这种整合将包括数据和方法学的要求，并期望与当前的MIPD实施一样，实现无缝集成和严格的资质认证和验证。理想的设置是全球多机构利益相关者进行协作，共同挑战和商定数据和方法学要求，实现透明协作。AI整合也应与商业MIPD和EHR供应商合作，确保未来解决方案的无缝性，并保持现有客户群的现有解决方案的连续性。

Barrett (2024) 的文章清晰地阐述了AI在精准给药策略中的巨大潜力。AI不仅可以处理传统TDM数据，更能够整合来自EHR、基因组学、影像学等多维度、非结构化的数据，实现更全面、更深入的个体化药物治疗。AI并非要取代传统的药代动力学方法，而是作为一种强大的补充，共同推动精准给药的发展。

然而，AI在精准给药领域的应用仍处于早期阶段，面临诸多挑战，包括数据整合与管理、模型验证与解释、临床实施与推广等。未来的发展需要跨学科的合作，包括临床医生、药代动力学家、数据科学家、信息学家等，共同构建开放、协作的平台，推动AI技术在精准给药领域的落地应用，最终惠及广大患者。

参考文献

Barrett, J. S. (2024). Artificial Intelligence Opportunities to Guide Precision Dosing Strategies. Clinical Pharmacology & Therapeutics, 115(7), 1383-1392.

Poweleit, E. A., et al. (2024).

关键词：精准给药；人工智能；机器学习；治疗药物监测；药物代谢动力学；电子健康记录；精准医学；数据整合；AI药学；大模型

往期内容荐读：

数智药学的崛起：人工智能赋能药学新未来

数智药师：AI时代药学服务的引领者

智能决策助力药物安全：大模型在临床处方审核中的突破

数字人技术在药学服务中的应用

药师必备：掌握AI，引领药学服务新时代

LEADER - 大模型蒸馏的药物推荐模型

李新刚：《医院药学的创新引擎：ChatGPT的应用与思考》

ChatGPT 在临床药学中的有效性以及人工智能在药物治疗管理中的作用

评估大语言模型在药物基因组学问答任务中的表现：PGxQA