基于径向基神经网络的舒必利稳态血药浓度预测

目的建立基于径向基（RBF）神经网络舒必利稳态血药浓度预测模型。方法将所收集的用于建立舒必利稳态血药浓度预测模型的数据（包括患者的性别、年龄、体重、剂量、稳态血药谷浓度、多项生理生化指标等）分为训练集、校验集和测试集,前两者用于训练RBF神经网络,后者用于测试RBF神经网络,分别利用各数据集的网络计算输出值与目标输出值之间的均方差（MSE）和相关系数（R）评价网络模型的训练效果和预测性能。结果建立以患者的性别、年龄、体重、剂量、多项生理生化指标等37项参数为输入变量,舒必利稳态血药浓度为输出变量的37—1—1结构的RBF神经网络,当网络中心宽度SP值为2．3时,训练集、校验集和测试集的MSE分别为4．50×10^-6、0．003531和0．011001,R值分别为0．99991、0．95532和0．81425。结论利用RBF神经网络所建立的舒必利稳态血药浓度预测模型的预测效果较好,但泛化能力尚待提高。     

用径向基神经网络预测氯丙嗪的稳态血药浓度

目的评价用径向基(RBF)神经网络所建立的预测氯丙嗪稳态血药浓度模型的预测性能。方法将数据分为训练集、校验集和测试集,来建立获取输出变量(37项参数)与输出变量(氯丙嗪稳态血药浓度)两者间关系的RBF网络模型,并评价其预测性能。结果当扩展速度(SP)值为2.8时,所建立的RBF网络模型,预测奋乃静稳态血药浓度的效果和泛化能力较好。结论 RBF网络用于预测氯丙嗪稳态血药浓度是可行的和有效的。     

径向基神经网络预测氯氮平血药浓度

目的:评价用径向基(RBF)神经网络所建立的预测氯氮平稳态血药浓度模型的预测性能。方法:将数据分为训练集、校验集和测试集来建立获取输入、输出变量两者间关系的RBF网络模型,其中以患者的性别、年龄、体重、剂量、血压、多项生理生化指标等37项参数为输入变量,氯氮平稳态血药浓度为输出变量。用训练集和校验集的网络计算输出值与目标输出值之间的均方差(MSE)和相关系数(R)来综合评价网络模型的学习效果,用测试集的网络计算输出值与目标输出值之间的MSE和R来评价网络模型的预测性能。结果:当扩展系数(SP)值为3.0时,训练集的MSE为1.33×10-5、R值为0.99985,校验集的MSE为0.002833、R值为0.97186,测试集的MSE为0.005439、R值为0.93676,网络模型的预测效果和泛化能力较好。结论:RBF网络用于预测氯氮平稳态血药浓度的研究是可行和有效的。     

用径向基神经网络预测奋乃静的稳态血药浓度

目的 评价用径向基(RBF)神经网络所建立的预测奋乃静(抗精神病药)稳态血药浓度模型的预测性能.方法 将数据分为训练集、校验集和测试集,来建立获取输出变量(患者的性别、年龄、体质量、剂量、血压、多项生理生化指标等37项参数)与输出变量(奋乃静稳态血药浓度)两者间关系的RBF网络模型,并评价其预测性能.结果 当扩展速度(SP)值为1.53时,所建立的RBF网络模型预测奋乃静稳态血药浓度的效果和泛化能力较好.结论 RBF网络用于预测奋乃静稳态血药浓度的研究是可行的和有效的.     

多药耐药基因多态性对利培酮及9-羟基利培酮稳态血药浓度的影响

多药耐药基因(MDR1)是跨膜转运体P-糖蛋白(P-gp)的编码基因。胃肠道和血脑屏障等组织中的P-gp可以将包括药物在内的外源性底物排出细胞,影响P-gp底物药物的吸收和分布。MDR1基因多态性会影响P-gp表达和活性,进而影响底物药物的血药浓度和临床疗效,非典型性抗精神药物利培酮及代谢物9-羟基利培酮都是P-gp底物,MDR1基因多态性与这类药物的血药浓度和临床疗效可能相关。     

利培酮与9-羟利培酮对精神分裂症患者血药浓度与剂量的关系

目的:探讨口服利培酮的精神分裂症患者利培酮、9-羟利培酮血药浓度、利培酮与9-羟利培酮血药浓度之和及比值与剂量的关系.方法:采用液-质联用法测定利培酮和9-羟利培酮血药浓度;计算利培酮、9-羟利培酮血药浓度及两者之和与剂量的相关系数.结果:利培酮、9-羟利培酮及两者之和与剂量相关系数分别0.766 8,0.980 0和0.979 8.36.6%患者9-羟利培酮血药浓度高于利培酮.结论:9-羟利培酮血药浓度及两者之和比利培酮血药浓度与剂量有更好相关性,9-羟利培酮在精神分裂症治疗中有重要作用.     

利培酮对氯氮平血药浓度的影响

目的：观察利培酮对氯氮平血药浓度的影响及两药联用的疗效及安全性。方法：对28例原服用氯氮平的难治性精神分裂症患者合并利培酮治疗4周，分别于联合用药前及联合用药2周未、4周末时测定氯氮平血药浓度，同时进行简明精神病评定量表（BPRS）和不良反应症状量表（TESS）评定。结果：合用利培酮后，氯氮平血药浓度无明显升高，BPRS评分明显降低（P〈0．01），起效快，TESS评分无明显变化（P〉0．05）。不良反应主要为静坐不能、视力模糊。结论：利培酮对氯氮平血药浓度无明显影响，两药联用能增加疗效．安全性高。     

奥美拉唑对利培酮和9-羟利培酮血药浓度影响的研究

目的：观察奥美拉唑对利培酮和9-羟利培酮血药浓度的影响。方法20例精神分裂症合并胃溃疡患者,给予利培酮联合奥美拉唑治疗1周。检测奥美拉唑治疗后利培酮以及9-羟利培酮血药浓度。结果未使用奥美拉唑前,利培酮与9-羟利培酮血药浓度为（29.25±7.82）μg/L;使用奥美拉唑后,利培酮与9-羟利培酮血药浓度为（37.15±11.68）μg/L,差异有统计学意义（P〈0.05）。结论奥美拉唑能够提高利培酮与9-羟利培酮血药浓度,因此,临床上治疗精神分裂症合并胃溃疡患者,给予奥美拉唑联合利培酮治疗时,应该监测患者利培酮与9-羟利培酮血药浓度,及时对药物剂量进行调整。     

奥美拉唑对利培酮血药浓度影响的研究

目的：研究奥美拉唑对利培酮和9-羟利培酮血药浓度的影响.方法：采用自身对照法,对20例精神分裂症伴胃溃疡患者,在利培酮治疗基础上合用奥美拉唑（20 mg·d-1）治疗1周.用高效液相色谱法（HPLC）测定奥美拉唑合用前后利培酮及9-羟利培酮稳态血药浓度进行对比.结果：合用奥美拉唑前与合用1周末后利培酮和9-羟利培酮的血药浓度分别为（29.26±7.84）μg·L-1和（37.17±11.7）μg·L-1,差异有统计学意义（P＜0.05）.结论：奥美拉唑合用利培酮治疗,可使利培酮和9-羟利培酮的血药浓度升高.临床上合用奥美拉唑和利培酮治疗精神分裂症伴胃溃疡患者时,应监控利培酮和9-羟利培酮的血药浓度,调整用药剂量.     

利培酮血药浓度测定及其临床应用

目的：观察利培酮治疗精神分裂症时的口服剂量,血药浓度及其疗效和不良反应之间的关系。方法：对38例精神分裂症患者,应用利培酮2及4mg,疗程8周,第2,4,8周末采用HPLC测定利培酮及其有效代谢产物9－羟利培酮的血药浓度。治疗前及治疗后第1,2,4,6,8周进行阴阳性症状量表（PANSS）,临床综合印象量表（CCI）,不良反应症状量表（TESS）及锥体外系症状量表（ESRS）评定。结果：利培酮对精神分裂症阴阳性症状均有效,对阴性症状起效时间较阳性症状晚。2及4mg组利培酮及其代谢产物9－羟利培酮血药浓度存在显著差异,但疗效无显著性差异,利培酮及其代谢产物治疗窗可能在30－45ng.mL^-1。结论：采采取逐渐加量的小剂量治疗（2－4mg)方法戏安全又有效,临床上开展利培酮及9－羟利培酮浓度检测对预测疗效,防止不良反应发生是有意义的。     

应用人工神经网络法预测地高辛血药浓度

目的:探讨应用人工神经网络(ANN)预测地高辛血药浓度的效果和特点。方法:回顾性收集我院2008年3月-2010年3月长期口服地高辛患者的临床资料,其中84例为建模数据集,10例为验证数据集。采用反向传播人工神经网络(BPANN)法预测地高辛血药浓度,并与非线性混合效应模型(NONMEM)法预测结果进行比较,计算影响血药浓度各因素的平均影响值(MIV)并排序。结果:NONMEM和ANN法预测地高辛浓度值与测定值的相关性分别为0.851及0.946,各因素中患者血清肌酐、体重、年龄较其他因素MIV大。结论:ANN法可较好地处理各因素间复杂的关系,为血药浓度预测提供了一条有效思路。     

左氧氟沙星对慢性阻塞性肺疾病急性加重患者的多索茶碱血药浓度的影响研究

目的:考察左氧氟沙星(LVFX)对多索茶碱(Dox)稳态谷血药浓度的影响,研究2种药物合用在慢性阻塞性肺疾病急性加重(AECOPD)患者临床应用中的安全性。方法:通过高效液相色谱(HPLC)法测定Dox单用及其与LVFX合用时的稳态谷血药浓度,对结果进行卡方检验。结果:通过HPLC法测定Dox单用及其与LVFX合用时的稳态血药浓度均在2～10μg·mL-1内,卡方检验统计量为1.250,概率P=0.741,按α=0.05水准,可认为2组数据无差别,即LVFX和Dox合用对Dox稳态谷血药浓度无影响。结论:临床上两药合用时,虽然LVFX对Dox的分布动力学有所影响,但不影响人体内Dox稳态谷血药浓度,合用时Dox不需要调整给药剂量。     

应用GA-BP人工神经网络预测丙戊酸钠血药浓度

目的利用GA—BP人工神经网络技术预测丙戊酸钠血药浓度。方法收集193例应用丙戊酸钠患者的血药浓度监测数据及其性别、身高、体重、肝。肾功能、用药情况等12个相关指标,构建GA—BP人工神经网络模型,预测丙戊酸钠血药浓度。结果30个病例样本的预测结果表明,与实际测定浓度相比,误差值范围为0．61—23．33μg／mL,误差百分率在±5％的为19例,±5％～±10％的为3例,±10％～±15％的为4例,±15％～±20％的为l例,超过±20％的为3例。结论应用CA—BP人工神经网络预测丙戊酸钠血药浓度是可行的,可将其用于丙戊酸钠个体化给药的研究。     

基于小波神经网络时间序列模型预测血药浓度的研究

基于小波神经网络时间序列模型预测阿司匹林血药浓度,来评价模型的适应性。方法 对4组家兔进行灌胃,分别于0.15 h、0.25 h、0.5 h、1.0 h、1.5 h、2.0 h、2.5 h、3.0 h、3.5 h、4.0 h、6.0 h、13.0 h、22.0 h时间点获取血药浓度数据,利用计算机软件MATLAB对其中3组实验数据进行网络训练,利用训练好的网络对剩下的1组血药浓度数据进行预测。之后联合药代动力学,判断其房室模型和药代动力学特点。结果 模拟仿真结果与实际数据基本相符合,网络的绝对平均误差范围在0.3%~5.39%,在统计学允许误差范围之内。联合药代动力学仿真证明了阿司匹林的血管外给药药动学特点是二室模型。结论 小波神经网络时间序列模型在预测阿司匹林血药浓度时具有较好的拟合能力和优良的预测能力,同时与药代动力学的结合更为现代临床药理的研究起到积极的推动作用。     

Prediction of Dissolution Profiles of Acetaminophen Beads Using Artificial Neural Networks

Immediate release acetaminophen (APAP) beads with 40% drug loading were prepared using the extrusion-spheronization process. Eighteen batches of beads were prepared based on a full factorial design by varying process variables such as extruder type, extruder screw speed, spheronization speed, and spheronization time. An in vitro dissolution test was carried out using the USP 27 Apparatus II (paddle) method. Artificial Neural Network (ANN) models were developed based on the aforementioned process variables and dissolution data. The trained ANN models were used to predict the dissolution profiles of APAP from the beads, which were prepared with various processing conditions. For training the ANN models, process variables were used as inputs, and percent drug released from APAP beads was used as the output. The dissolution data from one out of 18 batches of APAP beads was selected as the validation data set. The dissolution data of other 17 batches were used to train the ANN models using the ANN software (AI Trilogy®) with two different training strategies, namely, neural and genetic. The validation results showed that the ANN model trained with the genetic strategy had better predictability than the one trained with the neural strategy. The ANN model trained with the genetic strategy was then used to predict the drug release profiles of two new batches of APAP beads, which were prepared with process variables that were not used during the ANN model training process. However, the process variables used to prepare the two new batches of APAP beads were within the confines of the process variables used to prepare the 18 batches. The actual drug release profile of these two batches of APAP beads was similar to the ones predicted by the trained and validated ANN model, as indicated by the high f2 values. Furthermore, the ANN model trained with genetic strategy was also used to optimize process variables to achieve the desired dissolution profiles. These batches of APAP beads were then actually prepared using the process variables predicted by the trained and validated ANN model. The dissolution results showed that the actual dissolution profiles of the APAP beads prepared from the predicted process variables were similar to the desired dissolution profiles.     

用HPLC测定血液透析病人头孢唑啉血药浓度

血液透析病人８例，在血透时及血透间期分别自血透导管和静脉注射头孢唑啉４ｇ，ＨＰＬＣ测定血清头孢唑啉浓度，按单室模型用二点法计算药物清除半衰期（ｔ１／２）分别为：６．７６±１．６２ｈ、４８．１±２１．５ｈ。血透间期给药后２４ｈ体内血药浓度为２４６．２±３０．２μｇ／ｍｌ，高于有效浓度十几倍。由于给药途径不同ｔ１／２明显差异。表明：４ｇ／ｄ给药剂量过高，应减量。     

Prediction of Pharmacokinetic Parameters and the Assessment of Their Variability in Bioequivalence Studies by Artificial Neural Networks

Purpose. The methodology of predicting the pharmacokinetic parameters (AUC, c_max, t_max) and the assessment of their variability in bioequivalence studies has been developed with the use of artificial neural networks. Methods. The data sets included results of 3 distinct bioequivalence studies of oral verapamil products, involving a total of 98 subjects and 312 drug applications. The modeling process involved building feedforward/backpropagation neural networks. Models for pharmacokinetic parameter prediction were also used for the assessment of their variability and for detecting the most influential variables for selected pharmacokinetic parameters. Variables of input neurons based on logistic parameters of the bioequivalence study, clinical-biochemical parameters, and the physical examination of individuals. Results. The average absolute prediction errors of the neural networks for AUC, c_max, and t_max prediction were: 30.54%, 39.56% and 30.74%, respectively. A sensitivity analysis demonstrated that for verapamil the three most influential variables assigned to input neurons were: total protein concentration, aspartate aminotransferase (AST) levels, and heart-rate for AUC, AST levels, total proteins and alanine aminotransferase (ALT) levels, for c_max, and the presence of food, blood pressure, and body-frame for t_max. Conclusions. The developed methodology could supply inclusion or exclusion criteria for subjects to be included in bioequivalence studies.