开发用于血小板动力学的机制与数据驱动混合个性化预测模型

血液毒性，即药物对造血系统造成的损害，是细胞毒性化疗的常见副作用，由于其患者间变异性高且可预测性有限，在临床实践中构成了重大挑战。当前的机制模型通常难以准确预测具有不规则或非典型轨迹患者的预后。在本研究中，我们开发并比较了机制与数据驱动混合方法，用于化疗期间血小板计数的个体化时间序列建模。我们考虑了将机制模型与神经网络相结合的混合模型，即通用微分方程。作为纯数据驱动的替代方案，我们利用以门控循环单元为底层架构的非线性自回归外生模型。这些模型在一系列数据可用性和稀疏性各异的真实的患者场景中进行了评估，以评估其预测性能。我们的研究结果表明，当提供充足的数据时，数据驱动方法显著提高了预测准确性，特别是对于具有不规则血小板动力学的高风险患者。这突显了数据驱动方法在增强临床决策方面的潜力。相比之下，混合模型和机制模型在数据有限或稀疏的场景中表现更优。所提出的建模与比较框架具有通用性，可扩展用于预测其他与治疗相关的毒性，在个性化医疗中具有广泛适用性。