کاربرد هوش مصنوعی و یادگیری ماشین در پایش دارودرمانی (TDM) و دوزینگ دقیق
AI and Machine Learning in Therapeutic Drug Management (TDM) and Precision Dosing
پایش دارودرمانی (TDM) چیست؟
پایش دارودرمانی به یافتن ارتباط بین غلظت داروها در بدن و پیامد درمانی حاصل از آنها میپردازد و هدف اصلی آن بهینهسازی دوز داروها برای دستیابی به اثرات درمانی مطلوب با حداقل عوارض جانبی است.
تمرکز اصلی TDM بر این گروه از داروهاست. طبق تعریف FDA، داروهای NTI به دستهای اطلاق میشود که تغییرات جزئی در دوز یا غلظت خونی آنها میتواند منجر به عوارض جانبی تهدیدکننده حیات یا شکست درمان شود. داروهایی مانند ضدصرعها، سرکوبکنندههای ایمنی (تاکرولیموس)، لیتیم، دیگوکسین و برخی آنتیبیوتیکها (ونکومایسین) در این دسته قرار میگیرند.
ورود هوش مصنوعی و یادگیری ماشین به عرصه TDM
همگام با تکوین مدلهای سنتی فارماکوکینتیک، هوش مصنوعی به عنوان ابزاری نوین برای آنالیز دادههای حوزه سلامت مطرح شد. یادگیری ماشین (ML)، به عنوان زیرمجموعهای از هوش مصنوعی، به توانایی ماشینها در یادگیری از دادهها و انجام پیشبینی اشاره دارد.
مدلهای سنتی فارماکوکینتیک با تکیه بر دادهها، به دنبال تخمینی قابل قبول از نظر فیزیولوژیکی و فارماکولوژیکی هستند. این در حالیست که تمرکز اصلی الگوریتمهای یادگیری ماشین، صرفاً بر کمینه کردن خطای آنالیز و پیشبینی است، حتی اگر مدل حاصل به سادگی قابل تفسیر نباشد.
کاربردهای کلیدی یادگیری ماشین در TDM
۱. پیشبینی غلظت دارو: با توجه به محدودیتها در نمونهگیری، یادگیری ماشین میتواند با دادههای کمتر، غلظت دارو را پیشبینی کند. در مطالعهای روی تاکرولیموس و مایکوفنولیک اسید، الگوریتم XGBoost با استفاده از دادههای ۳ زمان نمونهگیری، عملکرد بهتری نسبت به مدلهای کلاسیک PK از خود نشان داد.
۲. بهینهسازی دوز دارو: در تحقیقی روی ونکومایسین، یک مدل ML با استفاده از پارامترهایی مانند وزن، BMI و eGFR، توانست دوز مورد نیاز برای رسیدن به غلظت هدف را بهتر از روشهای سنتی پیشبینی کند.
۳. توسعه و انتخاب مدلهای PK: الگوریتمهای ML میتوانند به محققان در انتخاب مدل فارماکوکینتیکی مناسب، اصلاح پیشفرضها و شناسایی پارامترهای اثرگذار بر نتایج کمک کنند.
چالشها و راهکارهای پیش رو
استفاده از یادگیری ماشین با چالشهایی نیز همراه است. نیاز به حجم داده بالا برای آموزش مدلها (معمولاً بیش از ۱۰۰۰ داده)، اطمینان از تعمیمپذیری نتایج و مشکل "جعبه سیاه" یا عدم تفسیرپذیری مدلهای پیچیده، از مهمترین این موانع هستند.
برای عبور از این چالشها، همکاری نزدیک متخصصان فارماکوکینتیک و دانشمندان داده ضروری است. استفاده از دانش تخصصی برای درک، اعتبارسنجی و تفسیر نتایج مدلهای هوش مصنوعی، کلید بهکارگیری صحیح و مسئولانه این فناوری قدرتمند در پایش دارودرمانی و حرکت به سوی پزشکی شخصیسازی شده است.
منابع
- Poweleit, E. A., Vinks, A. A., & Mizuno, T. (2023). Artificial Intelligence and Machine Learning Approaches to Facilitate Therapeutic Drug Management and Model-Informed Precision Dosing. Therapeutic Drug Monitoring, 45(2), 143–150.
- Donnelly, M., Fang, L., Madabushi, R., et al. (2025). Narrow Therapeutic Index Drugs: FDA Experience, Views, and Operations. Clinical Pharmacology and Therapeutics, 117(1), 116–129.
