贝叶斯预测在个体化给药中的应用

贝叶斯预测是模型引导的精准给药背后的核心驱动力。它从已知的群体信息（先验）出发，结合个体患者自身的实测药物浓度数据，从而对该患者的药代动力学参数进行更新估计。这些更新后的参数可用于预测未来的药物暴露量并优化给药方案。

Definition

个体化给药中的贝叶斯预测是指利用贝叶斯定理，将群体药代动力学模型（先验）与个体患者的实测药物浓度（数据）相结合，以估计该患者的参数（后验）并预测其未来的药物暴露量。

Scope

本条目涵盖了结合群体先验与个体数据、最大后验估计的作用以及如何利用预测来调整给药方案的逻辑。这是一个关于估计方法的专题，不提供特定药物的目标浓度或个体给药建议。

Core questions

• 群体先验如何与个体的测量值相结合？
• 需要多少样本以及哪些样本才能为估计提供信息？
• 随着更多个体数据的累积，预测如何改进？
• 依赖群体先验的预测有哪些局限性？

Key concepts

• 群体先验
• 个体测量数据
• 后验参数估计
• 最大后验估计
• 向先验收缩
• 预测未来暴露量

Key theories

贝叶斯（最大后验）参数估计

通过最大化后验来估计个体药代动力学参数，平衡群体先验与患者自身实测浓度的拟合度，从而使少量样本也能产生可用的个体估计值。

Mechanisms

贝叶斯给药方法始于一个群体模型，该模型规定了典型的参数值及其变异性；这构成了先验信息。当获得患者自身的浓度测量值时，贝叶斯定理将先验与这些测量值的似然性相结合，以产生患者个体参数的后验估计，通常通过最大后验估计（maximum a posteriori estimation）实现。在数据稀疏的情况下，估计值会趋近于群体先验（收缩效应），而随着更多个体测量值的累积，估计值将更多地依赖于患者自身的数据。然后，后验参数用于预测未来的药物浓度并调整给药方案，随着新测量值的到来，这个循环会重复进行。

Clinical relevance

贝叶斯预测是模型引导的精准给药软件背后的核心方法，广泛应用于需要严格控制药物暴露的药物研究和实践中。本条目描述了估计和预测方法；它阐述了如何预测个体药物暴露，而不是提供具体的靶点或个体治疗决策的来源。

Evidence & guidelines

贝叶斯预测基于群体药代动力学-药效学方法及其估计软件，并有质量控制指南描述了在将其用作个体预测的先验之前，应如何构建和验证基础群体模型。

History

该方法可追溯到Sheiner及其同事在1972年提出的利用模型和计算机估计进行个体化给药的建议，该建议引入了群体知识与个体数据的贝叶斯组合。群体PK/PD框架在1990年代早期得到巩固，估计软件的普及使得贝叶斯预测变得实用，现在它已成为模型引导的精准给药工具的基础。

Debates

预测应在多大程度上依赖先验而非个体数据？

在测量数据稀疏的情况下，估计值会向群体先验收缩，这可能会掩盖真实的个体差异；如何平衡先验影响与有限的个体数据，以及如何检测先验何时不适用于特定患者，仍然是一个方法学上的问题。

Key figures

• Lewis Sheiner
• Stuart Beal
• Roger Jelliffe

Seminal works

• sheiner1972
• sheiner1992

Frequently asked questions

贝叶斯给药中的“先验”是什么？

它是群体药代动力学模型，总结了在考虑任何个体患者自身测量值之前，典型的参数值及其变异性。

为什么贝叶斯预测仅用少量样本也能奏效？

因为它借鉴了群体先验的优势，该方法可以从稀疏数据中产生可用的个体估计值，并且随着更多测量值的累积，估计值将更多地依赖于患者自身的数据。