近日，山东大学第二医院药学部特聘教授赵维团队在利用机器学习优化新生儿败血症中β-内酰胺类抗菌药物剂量方面取得重大进展，在柳叶刀子刊《EBioMedicine》（IF9.7）杂志上发表题为“Optimal Use of β-lactams in Neonates: Machine Learning-Based Clinical Decision Support System”的研究论文。药学部博士后汤博皓为该论文第一作者，第一作者单位为山东大学第二医院，通讯作者为药学部特聘教授赵维，通讯作者第一单位为山东大学第二医院。该研究首次提出了基于机器学习的临床决策支持系统（CDSS），大幅提升抗菌药物剂量选择的准确性和效果。

新生儿败血症是一种危及生命的严重感染性疾病，然而准确预测最佳抗菌药物剂量始终是一大挑战。新生儿的成熟度、病原体特性、药效学目标以及药物种类等多种因素都会影响剂量选择。研究团队利用CatBoost机器学习算法构建了CDSS系统。这个系统综合了药物、患者特征、剂量、药效学和微生物学多维度因素，旨在为每个新生儿提供个性化的最佳剂量建议。研究结果显示，在真实世界验证中，基于CDSS系统的五种药物的预测准确率均超过80.0%。该研究不仅为新生儿败血症的治疗提供了强有力的工具，也为其他复杂细菌感染性疾病的个体化治疗开拓了新思路。赵维教授团队将继续优化CDSS系统，扩展其应用范围，并与更多医院和医生合作，推动这一创新技术在临床中的广泛应用，为患者带来福音。

近年来，赵维教授团队在机器学习个体化治疗方面取得了一系列重要成果，首创群体药代动力学和机器学习相结合的方法学思路（Clin Pharmacokinet, 2021;60(11):1435-1448）；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（Clin Pharmacokinet, 2023;62(8):1105-1116）以及成人抗结核首选药物—异烟肼的个体化治疗（Clin Pharmacokinet, 2024;63(7):1055-1063.）；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（Clin Pharmacol Ther, 2024;115(4):727-744）。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、山东大学杰出中青年学者项目的支持。

论文链接：

https://www.thelancet.com/journals/ebiom/article/PIIS2352-3964(24)00256-1/fulltext