剂量调整算法

剂量调整算法是明确的规则和方程式，用于将患者的特征（以及越来越多地包括其基因型）转化为推荐的起始剂量或维持剂量。它们涵盖了从与预测表型相关的简单分类规则，到综合临床和遗传因素的多变量回归方程。

Definition

剂量调整算法是一种明确的程序，以决策规则或定量方程的形式表达，将患者协变量（包括临床因素和基因型衍生的表型）映射到推荐剂量或剂量修改上。

Scope

本条目涵盖了剂量算法的构建和验证方式、基于规则和基于回归的方法之间的区别，以及基因型如何作为预测因子被纳入。它将这些视为精准给药中的方法学对象，不提供特定药物的剂量值或个体化建议。

Core questions

• 哪些预测因子能最大程度地提高剂量算法的准确性？
• 何时分类规则优于连续回归方程？
• 剂量算法在使用前是如何推导和验证的？
• 基因型如何与算法中的临床协变量结合？

Key concepts

• 基于规则与基于回归的算法
• 临床和遗传协变量
• 预测表型作为输入
• 算法推导与验证
• 目标反应或暴露
• 在决策支持中的实施

Key theories

药物遗传学回归给药模型

一个多变量方程，其中临床协变量和基因型共同预测达到目标反应所需的剂量，通过对已知稳定剂量队列的回归分析推导得出。

Mechanisms

算法通常从已知达到目标反应的剂量队列中推导出来。分类算法将预测表型映射到定性行动，而回归算法则估算年龄、体型、相互作用药物和基因型等预测因子的系数，从而产生连续的剂量估计。经典的例子是华法林给药，其中模型将临床因素与CYP2C9和VKORC1基因型结合起来预测维持剂量。算法随后进行验证，理想情况下是在独立人群中进行，并可能嵌入临床决策支持系统，以便一致地应用规则。其准确性取决于所包含的预测因子以及推导人群对算法应用人群的代表性程度。

Clinical relevance

剂量调整算法是将药物基因组学和临床信息操作化以进行研究和实施的主要方式，特别是对于剂量需求存在广泛个体间差异的药物。本条目描述了此类算法作为方法是如何构建和评估的；它不是特定剂量或个体治疗指导的来源。

Evidence & guidelines

算法开发受到联盟指南计划的启发，包括临床药物遗传学实施联盟（Clinical Pharmacogenetics Implementation Consortium）和荷兰药物遗传学工作组（Dutch Pharmacogenetics Working Group），这些计划描述了如何将基因型信息构建成可操作的规则；华法林剂量方程是推导和验证最广泛的例子之一。

History

定量给药方程源于临床药理学旨在根据患者特征预测个体化剂量的努力。基因型的纳入在2008-2009年的华法林给药工作中得以具体化，该工作表明将CYP2C9和VKORC1添加到临床预测因子中可以改善剂量估计。随后，实施联盟提供了将此类证据转化为标准化、可操作算法的框架。

Debates

基因型指导的算法是否比临床算法更能改善结局？

添加基因型可以改善剂量预测，但与仅基于临床或固定剂量策略相比，这是否以及何时能转化为更好的临床结局，一直存在争议，并因药物和人群而异。

Key figures

• Brian Gage
• Julie Johnson
• Mary Relling
• Jesse Swen

Seminal works

• gage2008
• iwpc2009

Frequently asked questions

基于规则的剂量算法和基于回归的剂量算法有什么区别？

基于规则的算法将一个类别（例如预测的表型）映射到定性行动，而基于回归的算法则使用拟合方程从多个预测因子中生成连续的剂量估计。

为什么将基因型添加到剂量算法中？

基因型可以解释剂量需求中患者间变异的一部分；当它能比单独的临床因素更好地改善预测时，可以将其作为额外的协变量纳入算法中。