径向基神经网络预测利培酮的稳态血药浓度

目的:评价用径向基(RBF)神经网络所建立的预测利培酮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与输入变量两者间关系的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,利培酮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:当扩展系数值为1.5时,训练集的MSE为6.93×10-6,R值为0.99988;校验集的MSE为8.24×10-3,R值为0.86669;测试集的MSE为8.58×10-3,R值为0.80899;网络模型的预测效果和泛化能力较好。结论:RBF网络用于预测利培酮稳态血药浓度的研究是可行的。     

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.     

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。     

高效液相色谱法测定盐酸曲马多的临床稳态血药浓度

目的建立测定盐酸曲马多血药浓度的反相高效液相色谱分析法,并测定该药的临床稳态血药浓度.方法色谱柱Lichrosorb     

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。     

氨茶碱口服的医嘱执行时间对稳态理论血药浓度的影响

目的探讨氨茶碱口服给药时间对茶碱稳态理论血药浓度的影响。方法以3次/d口服给药的氨茶碱给药医嘱为例,分别采用等间隔和非等间隔两种方式执行该用药医嘱,A方式为非等间隔给药(ι1=4 h、2ι=6 h、3ι=14 h),B方式为等间隔给药(ι=8 h),剂量(d)=3 mg/kg(体重)。采用Excel表格程序,分析t1/2=2~30 h的范围内稳态峰、谷血药浓度(Css-max、Css-min)、稳态平均血药浓度(Css-av)及波动度(DF)与t1/2的关系,以及A、B医嘱执行方式对稳态血药浓度的影响程度。结果经线性回归发现,Css-max、Css-min、Css-av与t1/2(2~30 h)存在良好的线性关系。医嘱执行方式对Css-av无影响,但对DF有不同的影响,t1/2越大,DF越小,在t1/2=2~30 h范围内,DF(A)=1.798 9~0.232 7,DF(B)=1.263 5~0.097 6,可见A方式的血药浓度波动较大,但t1/2较大时,DF的增大可以忽略。当t1/2=10~20 h时,A、B两种给药方式的Css-min~Css-max分别为5.065~18.753、6.755~17.303 mg/L。对于t1/2>20 h或<10 h的患者,通过调整给药剂量,也可按A方式执行tid给药医嘱。结论无论患者的氨茶碱t1/2是否为10~20 h,均可直接或经调整剂量后,采用依从性较好的A方式执行氨茶碱的tid用药医嘱。     

径向基函数网络用于安痛定注射液的含量测定

目的：将径向基函数神经网络用于三组分复方制的光度分析。方法：采用径向基函数紫外分光光度法同时测定安痛定注射液中的氨基比林和安替比林,并结合吸光度减技术测定巴比妥。结果：径向基网络在网络稳健性、训练时间和预报准确性等方面优于BP网络。结论：径向基函数光度法可准确测定安痛定注射液三组分的含量。     

高效液相色谱法测定人血浆中氯丙嗪的浓度

目的建立测定人血浆中氯丙嗪浓度的高效液相色谱法。方法以DiamonsilTM C18反相柱(150mm×4.6mm,5μm)为色谱柱,流动相0.03mol·L-1醋酸铵-甲醇(21∶79);流速:1.0mL·min-1;柱温:40℃;检测波长:254nm。结果氯丙嗪血药浓度在10.0~1000.0μg·L-1范围内,与峰面积比有良好的线性关系(r=0.9994)。其10.0,400.0,1000.0μg·L-13种浓度平均回收率分别为100.16%,98.33%,97.57%;分析方法的最低检测浓度为10.0μg·L-1;日内、日间差RSD均低于8%(n=5)。结论本法灵敏、准确、简单、快速,可用于临床血药浓度监测和药动学研究。     

A radial basis function artificial neural network test for neglected nonlinearity

We propose a test for neglected nonlinearity that uses an alternative artificial neural network (ANN) specification to the one commonly used in the literature. We use radial basis functions for the ‘hidden layer’ with basis function centres and radii chosen from the sample data set and selected on the basis of an information criterion. The procedure is straightforward to implement and outperforms, in many cases, the ANN test proposed by 24 and the analytic variation devised by 34 .     

应用人工神经网络法预测癫痫患者血浆中拉莫三嗪浓度

目的：探讨应用人工神经网络（artificial neural network，ANN）预测癫痫患者血浆中拉莫三嗪（lamotrigine，LTG）浓度的可行性和效果。方法：回顾性收集我院2015年11月—2018年5月300例长期服用LTG治疗癫痫患者信息，将患者性别，年龄，BMI，血红蛋白计数（HGB），红细胞计数（RBC），丙氨酸氨基转移酶（ALT），天冬氨酸氨基转移酶（AST），血尿素氮（BUN），肌酐清除率（CR），服药剂量，合并用药数据作为输入层，LTG血药浓度数据作为输出层，采用METLAB R2016a构建反向传播人工神经网络（back-propagation artificial neural network，BPANN）法预测LTG血药浓度，计算影响血药浓度各因素的平均影响值（mean impact value，MIV），并对2018年6月10例患者进行体内血药浓度预测。结果：本研究建立了预测LTG血药浓度的BPANN模型，性能验证结果MSE为0.004 28，梯度幅度为0.000 506 9，验证检查数为0，相关系数为0.957。对MIV进行分析，服药剂量、合并用药和肌酐清除率是影响LTG血药浓度的重要因素，将BPANN模型应用到患者血药浓度预测中，预测值与测量值相关系数为0.972，预测偏差在-13.26%~25.41%之间，预测准确度为90%。结论：本研究建立的LTG血药浓度预测模型能较为准确的预测血药浓度，为癫痫患者个体化给药提供了一种有效思路。     

人工神经网络技术预测癫痫患儿服用丙戊酸后体内药物浓度

目的利用人工神经网络技术预测癫痫患儿服用丙戊酸后体内药物浓度。方法收集200例癫痫患儿服用丙戊酸后血药浓度监测结果、身高、体重及监测当日肝肾功能等15项相关指标,根据神经网络和遗传优化反向传播算法的基本原理,构建丙戊酸血药浓度预测模型,并用该浓度预测模型进行样本预测分析。结果 50个病例样本的预测结果表明,与实际测定浓度相比,误差小于10%的有29个浓度,误差在10%～15%的有10个浓度,误差在15%～20%的有7个浓度,误差大于20%的有4个浓度。误差小于15%的比率是78%。人工神经网络预测的血药浓度和实际测定浓度之间的相关系数为0.9476。结论用人工神经网络技术预测癫痫患儿服用丙戊酸后的血药浓度是可行的;有待将其广泛应用于个体化给药设计。     

人工神经网络法预测肾移植术后患者环孢素A的血药浓度

目的：探讨人工神经网络技术用于肾移植术后患者环孢素A（cyclosporine A，CYA）血浓度预测的可行性。方法：收集60例肾移植术后患者CYA血药浓度监测结果及监测当日身高、体质量、肝肾功能等13项相关指标，采用EasyNN-plus8．0f软件用于人工神经网络的训练和模型的建立，计算方法为反向传播算（Back-Propagation）。用建立好的人工神经网络预测肾移植术后患者CYA血药浓度，同时采用多元线性回归法进行预测，并对两者的预测结果进行比较。结果：人工神经网络技术预测的血药浓度和观察值之间的相关系数为0．9314，多元线性回归的相关系数为0.7045，人工神经网络技术优于多元线性回归。结论：相对于传统的统计方法，人工神经网络技术在肾移植术后患者CYA血药浓度预测方面显示出良好的效能，但该方法也有待完善。     

Modeling research on wheat protein content measurement using near-infrared reflectance spectroscopy and optimized radial basis function neural network

In this study, near-infrared reflectance spectroscopy and radial basis function (RBF) neural network algorithm were used to measure the protein content of wheat owing to their nondestructiveness and quick speed as well as better performance compared to the traditional measuring method (semimicro-Kjeldahl) in actual practice. To simplify the complex structure of the RBF network caused by the excessive wave points of samples obtained by near-infrared reflectance spectroscopy, we proposed the particle swarm optimization (PSO) algorithm to optimize the cluster center in the hidden layers of the RBF neural network. In addition, a series of improvements for the PSO algorithm was also made to deal with its drawbacks in premature convergence and mechanical inertia weight setting. The experimental analysis demonstrated that the improved PSO algorithm greatly reduced the complexity of the network structure and improved the training speed of the RBF network. Meanwhile, the research result also proved the high performance of the model with its root-mean-square error of prediction (RMSEP) and prediction correlation coefficient (R) at 0.26576 and 0.975, respectively, thereby fulfilling the modern agricultural testing requirements featuring nondestructiveness, real-timing, and abundance in the number of samples.     

3种碳青霉烯类药物对重症感染合并癫痫患者丙戊酸钠血药浓度影响及其与肝肾功能相关性

目的：分析美罗培南、亚胺培南、比阿培南对重症感染合并癫痫患者丙戊酸钠（VPA）谷浓度影响,探讨患者肝、肾功能对其降低作用的影响。方法：回顾性分析某院2012年1月-2018年5月113例接受VPA与碳青霉烯类抗菌药联用治疗重症感染合并癫痫的患者病例资料,比较美罗培南、亚胺培南、比阿培南对患者VPA谷浓度影响;另按患者Child-Pughp评分、内生肌酐清除率情况分组,分析肝功能、肾功能对两药联用后丙戊酸钠谷浓度的影响。结果：美罗培南、亚胺培南、比阿培南能显著降低联用后患者丙戊酸钠谷浓度（P < 0.05）,美罗培南组、亚胺培南组、比阿培南组平均降低幅度分别为：61.90%±5.12%,43.51%±3.95%,70.12%±3.46%,平均降低幅度顺序为：比阿培南 > 美罗培南 > 亚胺培南;与肝功能正常组比较,轻度肝损伤组、中-重度肝损伤组患者丙戊酸钠谷浓度明显增高,降幅由52.71%~79.34%降低至30.00%~46.36%（P < 0.05）;与肾功能正常组比较,轻度肾损伤患者丙戊酸钠浓度无明显差异（P > 0.05）,中-重度肾损伤组患者丙戊酸钠血药浓度增高,分别由20.16~40.28 μg·mL^-1增高至30.15~50.62 μg·mL^-1（P < 0.05）,但降幅无明显差异（P > 0.05）。结论：美罗培南、亚胺培南、比阿培南均能显著降低联用后丙戊酸钠血药浓度,肝功能损伤能明显降低这种作用,肾功能损伤则对这种作用的影响不明显,提示碳青霉烯类药物与丙戊酸钠的药动学相互作用主要在肝脏。