抗菌藥物 PK/PD 指數與治療藥物監測基于 scientific-agent-skills 的 AUC 引導萬古霉素給藥與 MIPD 實戰指南【免費下載鏈接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.項目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills抗菌藥物的療效由殺滅模式時間依賴或濃度依賴決定對應三類暴露指數之一選錯指數就等于選錯了給藥策略。本文以 scientific-agent-skills 倉庫中 pkpd-modeling 技能 的 antimicrobial-and-tdm.md 為骨架系統講解 fTMIC、fAUC/MIC、fCmax/MIC 三類 PK/PD 指數及其目標值、PTA/CFR 概率方法、2020 年萬古霉素 AUC??/MIC 400–600 共識指南、基于 MAP 貝葉斯算法的模型引導精準給藥MIPD并落到倉庫提供的 tdm_bayes.py 與 simulate_regimen.py 可執行工具上。讀完你將能根據藥物類別判斷正確的 PK/PD 指數與給藥策略、計算目標達成概率PTA與累積反應分數CFR、用貝葉斯方法從一到兩個血藥濃度估計個體藥代參數并推薦劑量以及寫出一份可審計的 TDM 計算報告。一、PK/PD 指數先用對指數再談給藥策略抗菌藥物療效與暴露量的關系由殺菌模式決定是時間依賴還是濃度依賴。這一屬性屬于藥物類別本身使用錯誤的指數會導致錯誤的給藥策略。原文檔給出的三類指數對照如下指數殺菌模式適用類別給藥策略fTMIC—— 給藥間隔內游離濃度高于 MIC 的時間占比時間依賴、無顯著持續效應β-內酰胺類青霉素類、頭孢菌素類、碳青霉烯類增加給藥頻次或延長/持續輸注fAUC/MIC時間依賴、有持續效應萬古霉素、氟喹諾酮類、利奈唑胺、阿奇霉素、四環素類每日總劑量決定療效給藥間隔影響較小fCmax/MIC濃度依賴氨基糖苷類、達托霉素、多黏菌素、甲硝唑每日一次、高血藥峰濃度三類指數的物理含義各不相同fTMIC 關注的是時間fAUC/MIC 關注的是總暴露量fCmax/MIC 關注的是峰值。這與倉庫 SKILL.md 中反復強調的第一條規則一脈相承——先確定暴露指標與目標人群再計算任何數值AUC(0-t)、AUC(0-inf)、穩態 AUC(0-tau)、Cavg 是不同的問題、不同的量。1.1 常見藥物/類別的目標值以下目標值來自臨床前與臨床研究文獻是目標值而非監管規定且因菌種與終點不同而變化藥物或類別目標青霉素類fTMIC ≥ 50%抑菌至 1-log 殺滅頭孢菌素類fTMIC ≥ 60-70%碳青霉烯類fTMIC ≥ 40%萬古霉素AUC??/MIC 400-600肉湯微量稀釋法 MIC 1 mg/L氟喹諾酮類革蘭陰性菌 fAUC/MIC ≥ 100-125S. pneumoniae≥ 30-40氨基糖苷類Cmax/MIC ≥ 8-10達托霉素fAUC/MIC ~ 666S. aureus利奈唑胺fAUC/MIC 80-120游離未結合分數才是起作用的部分。對于頭孢曲松、達托霉素這類高蛋白結合率的藥物總濃度會顯著高估有效暴露量——這是原文檔反復強調、卻最容易被 TDM 報告忽略的一點。二、目標達成概率PTA與累積反應分數CFRPTA 與 CFR 是將指數目標轉化為概率語言的兩把尺子PTAProbability of Target Attainment對于固定的 MIC在給定給藥方案下模擬群體中達到 PK/PD 目標的人群比例。將 PTA 對 MIC 作圖得到的曲線可以定義PK/PD 折點breakpoint——即該方案能達到慣例上≥ 90% 達標率的最高 MIC。CFRCumulative Fraction of Response將 PTA 對實際病原菌群體的 MIC 分布做積分得到對經驗治療的單一期望成功率。兩者都需要一個具有真實變異度的群體 PK 模型。原文檔明確指出倉庫的simulate_regimen.py --simulate配合--target-auc或--target-trough提供了這套機制但需注意——它只包含個體間變異between-subject variability一旦加入殘差變異和個體內/occasion 間變異真實達標率會更低。2.1 用 simulate_regimen.py 計算 PTAsimulate_regimen.py 同時支持確定性模擬與蒙特卡洛模擬。確定性模擬回答典型患者長什么樣——而原文檔與 SKILL.md 都直截了當地指出這幾乎從來不是正確的問題# 確定性單次劑量 python3 simulate_regimen.py --cl 5 --v 40 --dose 500 --interval 12 --n-doses 10 --steady-state # 蒙特卡洛2000 名虛擬受試者帶個體間變異報告谷濃度達標率 python3 simulate_regimen.py --cl 5 --v 40 --dose 500 --interval 12 --n-doses 10 \ --simulate 2000 --omega-cl 0.35 --omega-v 0.25 --target-trough 4.0--simulate模式下腳本按對數正態分布抽取每個虛擬受試者的 CL 與 V源碼 將--omega-*從近似 CV 轉換為對數尺度標準差sqrt(log(1CV2))逐一模擬穩態給藥間隔統計峰/谷/AUC 的百分位數并輸出達標比例metric p5 p25 median p75 p95 geo_mean peak 11.861 14.6018 16.6702 19.1476 22.9339 16.6453 trough 0.863226 2.15191 3.64412 5.49655 9.21053 3.27035 target fraction_attaining trough 4 0.444典型的穩態谷濃度是 3.6而目標是 4——因此該方案只有 44% 的群體達標。按典型患者調出來的方案會讓近一半人群處于目標錯誤一側SKILL.md 將以典型患者選方案、不給群體達標率列為該技能要防止的第 6 類錯誤。腳本對任何達標比例 90% 的目標都會輸出一條 finding且每輪蒙特卡洛都附加提示此處僅含個體間變異真實達標率還會更低。PTA 之外--target-auc可直接用于抗菌場景——例如對氟喹諾酮類定義 fAUC/MIC 目標。工具底層調用 _models.py 的線性模型解析解任意 1/2/3 房室模型由速率矩陣特征分解為指數和disposition多劑量通過疊加原理superposition精確疊加因此模擬 2000 名受試者數千個時間點都無需數值積分速度快且無 ODE 容差噪聲。測試 tests/pkpd-modeling/test_scripts.py 用閉式穩態公式驗證了模擬輸出如auc_tau100、累積比1/(1-exp(-0.125*12))保證數值可信。2.2 危重癥人群標準模型失效的地方PTA/CFR 的臨床價值在危重癥人群中最突出而標準模型恰恰在這里最不可靠增強腎清除augmented renal clearance肌酐清除率 130 mL/min常見于年輕創傷與膿毒癥患者可能使標準 β-內酰胺方案顯著低于目標急性腎損傷與腎臟替代治療方向相反把暴露量推向另一側。這正是 MIPD/TDM 在該人群高價值的原因——見下文第四節。三、萬古霉素AUC 引導給藥2020 年 ASHP/IDSA/PIDS/SIDP 共識指南將嚴重 MRSA 感染的萬古霉素治療目標從谷濃度引導改為AUC??/MIC 400-600假定肉湯微量稀釋 MIC 1 mg/L。3.1 為什么谷濃度被放棄谷濃度是 AUC 的差代理達成歷史性的 15-20 mg/L 谷濃度目標常使 AUC?? 遠高于 600且與更多腎毒性相關卻沒有更好的療效。兩個谷濃度相同的患者因分布容積與給藥間隔不同其 AUC 可能相差 50%。這是共識指南轉變背后的定量邏輯。3.2 兩種公認的 AUC 估計方法貝葉斯估計用 1 或 2 個血藥濃度結合群體模型估計 AUC。優勢在于——單個濃度即可使用、容忍取樣時間不夠精確是首選方法。一階方程法取同一給藥間隔內、穩態條件下、輸注結束至少 1-2 小時后確保分布完成的峰濃度與谷濃度用一階動力學公式外推。倉庫的tdm_bayes.py --model vancomycin-adult實現了方法 1python3 tdm_bayes.py --model vancomycin-adult --weight 80 --crcl 75 \ --dose 1500 --interval 12 --level 18.211.5 --level 422 --target-auc24 500每個--level的格式是濃度距最近一次給藥的時間。內置的 vancomycin-adult 模型把 CL 建模為肌酐清除率的函數、V 建模為體重的函數源碼CL 0.048 × CrClV 0.72 × Weight其群體參數CL_pop 3.6 L/h、V_pop 58 L、omega_cl 0.27、omega_v 0.25、比例誤差 0.15、加和誤差 1.0在 LIBRARY 中明確標注為說明性參數化——source-ledger.md 的已知缺口一節再次確認這不是經過驗證的已發表模型。使用前必須替換為你所在人群驗證過的模型因為普通病房、ICU、肥胖、兒科與透析人群的萬古霉素群體模型差異巨大。除內置模型外腳本支持--custom直接輸入群體參數python3 tdm_bayes.py --custom --cl-pop 4.2 --v-pop 45 --omega-cl 0.30 \ --omega-v 0.25 --prop-error 0.12 --dose 1000 --interval 8 --level 127.5可選參數還包括--infusion輸注時長默認 1 h、--doses-given已達給藥劑次數默認 20即假定穩態。腳本會校驗輸注時長不得長于給藥間隔、濃度必須為正、取樣時間不得超出給藥間隔源碼。四、模型引導精準給藥MIPD與 MAP 貝葉斯預測MAP最大后驗貝葉斯預測把群體先驗與患者實測濃度結合minimise sum_j (obs_j - pred_j)^2 / var_j sum_k (eta_k / omega_k)^2tdm_bayes.py 的目標函數 正是這個公式第一項是加權殘差平方和觀測對預測第二項是先驗懲罰項——eta 偏離群體均值越多、omega 越小懲罰越大。在 Nelder-Mead 優化器中同時優化 CL 與 V 的對數尺度 etaexp(eta)保證參數恒為正輸出的個體估計值cl cl_prior * exp(eta_cl)等即 MAP 個體參數。這一設計帶來幾個重要推論原文檔逐條給出這里結合源碼展開單個濃度也有用但無法區分清除率與分布容積。樣本不提供信息的那個參數會退回其群體值報告中個體估計其實就是先驗。腳本對單濃度輸入會固定輸出一條 finding源碼測試 test_single_level_raises_a_finding 驗證了該行為。取樣時機決定學到什么。谷濃度對清除率有信息量分布完成后的峰濃度對分布容積有信息量。全谷取樣使容積弱辨識——腳本在全部濃度處于給藥間隔后 70% 時段時會輸出 note 建議補一個輸注結束后 1-2 h 的峰源碼。大的 eta 首先是一個數據質量信號。個體清除率達到群體值 3 倍更可能是取樣時間或輸注時間記錄錯誤而非真正罕見的患者。當|eta_cl| 2 × omega_cl時腳本輸出 finding明確要求先核查取樣時間再采信估計源碼。先驗必須適配患者。在普通內科住院患者中建立的模型用于連續性腎臟替代治療CRRT患者會向錯誤方向收縮且擬合統計量不會暴露這一點。腳本同時報告observed vs individual prediction表、當前方案下的預測暴露量auc_tau、auc_24h、穩態 Cmax/Cmin/Cavg以及當提供--target-auc24時的推薦劑量。劑量推薦基于線性藥代動力學下 AUC 與劑量嚴格成比例的假設recommended_dose target_auc24 × cl_individual腳本會同時注明假設線性 PK與目標本身是否適合這位患者本工具不發表意見源碼。測試 test_map_recovers_a_known_individual 從已知個體參數CL5、V50模擬兩個濃度點再交給 MAP 反推個體 CL/V 均能在容許誤差內還原——這證明在數據有信息量時 MAP 會跟從數據而非先驗。4.1 MIPD 已確立的藥物類別MIPD 并不局限于抗菌藥物。原文檔列出其他已確立應用的類別氨基糖苷類、白消安AUC 靶向的預處理方案、甲氨蝶呤解救、免疫抑制劑他克莫司、環孢素、霉酚酸酯、抗癲癇藥、英夫利昔單抗及其他抗 TNF 生物制劑以及重癥監護中日益增多的 β-內酰胺類。4.2 與其他方法的對比MAP 優于兩種常見替代方案SKILL.md 第 9 節用群體參數解讀單個谷濃度忽略了個體性對兩個點做對數線性回歸則忽略群體先驗且當濃度點落在分布相內時會失效。MAP 在數據無信息時向群體收縮、有信息時跟隨數據正是其優勢所在。五、撰寫一份可審計的 TDM 計算報告原文檔給出了一份 TDM 計算報告必須聲明的內容清單這也是 nca-reporting-checklist.md 思路在 TDM 場景的延伸群體模型及其來源是哪個模型、哪個人群、是否經過驗證檢測方法與基質assay and matrix實際的而非計劃的給藥與取樣時間是否達到穩態估計的個體參數及其 eta預測的暴露指標目標值及其理由。沒有實際時間記錄計算就無法復現、無法審計。tdm_bayes.py 的每次輸出都會附上群體模型來源說明與建模輔助工具而非給藥決策的聲明源碼——這正是把報告可審計落成代碼約定。對患者方案的任何修改都是臨床決策取決于病原體、感染部位、腎功能軌跡、合并腎毒性藥物及本地方案。模型提供的是暴露量估計不提供決策本身。這一點在原文檔末段與 SKILL.md 的 Scope 一節中反復強調tdm_bayes.py是建模輔助工具任何方案變更都是主管醫師的職責。六、全流程串聯從群體模型到個體化給藥將本文各節與倉庫工具串成一個可操作的抗菌 TDM 工作流明確目標與指數按藥物類別從第一節的三類指數表中選定指標如 β-內酰胺選 fTMIC萬古霉素選 fAUC/MIC與目標值。檢查數據集若數據進入群體建模先用check_popk_dataset.py檢查 NONMEM 數據如--covariates WT,CRCL --time-varying WT攔截非數值 DV、無劑量受試者、亂序 TIME、缺失協變量等不會報錯但會壞掉結果的缺陷。擬合/選擇群體模型用fit_compartmental.py選擇結構模型用 RSE、BIC、F 檢驗確認參數可辨識參考 population-pk.md 的診斷與模型評價清單。模擬 PTA/CFR用simulate_regimen.py --simulate配合--target-trough/--target-auc評估方案在群體中的達標率特別警惕增強腎清除人群。個體化用tdm_bayes.py結合 1-2 個實測濃度做 MAP 估計得到個體 CL/V、預測 AUC 與推薦劑量對萬古霉素使用替換過的、適合本人群的模型參數。報告與決策按第五節清單輸出可審計報告最終方案變更交由臨床團隊決策。七、引用與進一步閱讀本文核心內容繼承自 antimicrobial-and-tdm.md實現細節對應 tdm_bayes.pyMAP 目標函數、內置模型、發現規則、simulate_regimen.py蒙特卡洛與達標率、_models.py解析解與疊加原理數值正確性由 tests/pkpd-modeling/test_scripts.py 保障。運行前提Python 3.11numpy 與 scipySKILL.md 兼容性聲明全程離線、無需專有軟件。如需深入可繼續閱讀population-pk.md —— 群體建模、BLQ 處理、協變量建模與診斷source-ledger.md —— 文中2020 萬古霉素共識指南等版本化聲明的溯源SKILL.md —— 技能總覽、腳本清單與該技能要防止的十類錯誤【免費下載鏈接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.項目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills創作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考 抗菌藥物 PK/PD 指數與治療藥物監測：基于 scientific-agent-skills 的 AUC 引導萬古霉素給藥與 MIPD 實戰指南
抗菌藥物 PK/PD 指數與治療藥物監測基于 scientific-agent-skills 的 AUC 引導萬古霉素給藥與 MIPD 實戰指南【免費下載鏈接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.項目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills抗菌藥物的療效由殺滅模式時間依賴或濃度依賴決定對應三類暴露指數之一選錯指數就等于選錯了給藥策略。本文以 scientific-agent-skills 倉庫中 pkpd-modeling 技能 的 antimicrobial-and-tdm.md 為骨架系統講解 fTMIC、fAUC/MIC、fCmax/MIC 三類 PK/PD 指數及其目標值、PTA/CFR 概率方法、2020 年萬古霉素 AUC??/MIC 400–600 共識指南、基于 MAP 貝葉斯算法的模型引導精準給藥MIPD并落到倉庫提供的 tdm_bayes.py 與 simulate_regimen.py 可執行工具上。讀完你將能根據藥物類別判斷正確的 PK/PD 指數與給藥策略、計算目標達成概率PTA與累積反應分數CFR、用貝葉斯方法從一到兩個血藥濃度估計個體藥代參數并推薦劑量以及寫出一份可審計的 TDM 計算報告。一、PK/PD 指數先用對指數再談給藥策略抗菌藥物療效與暴露量的關系由殺菌模式決定是時間依賴還是濃度依賴。這一屬性屬于藥物類別本身使用錯誤的指數會導致錯誤的給藥策略。原文檔給出的三類指數對照如下指數殺菌模式適用類別給藥策略fTMIC—— 給藥間隔內游離濃度高于 MIC 的時間占比時間依賴、無顯著持續效應β-內酰胺類青霉素類、頭孢菌素類、碳青霉烯類增加給藥頻次或延長/持續輸注fAUC/MIC時間依賴、有持續效應萬古霉素、氟喹諾酮類、利奈唑胺、阿奇霉素、四環素類每日總劑量決定療效給藥間隔影響較小fCmax/MIC濃度依賴氨基糖苷類、達托霉素、多黏菌素、甲硝唑每日一次、高血藥峰濃度三類指數的物理含義各不相同fTMIC 關注的是時間fAUC/MIC 關注的是總暴露量fCmax/MIC 關注的是峰值。這與倉庫 SKILL.md 中反復強調的第一條規則一脈相承——先確定暴露指標與目標人群再計算任何數值AUC(0-t)、AUC(0-inf)、穩態 AUC(0-tau)、Cavg 是不同的問題、不同的量。1.1 常見藥物/類別的目標值以下目標值來自臨床前與臨床研究文獻是目標值而非監管規定且因菌種與終點不同而變化藥物或類別目標青霉素類fTMIC ≥ 50%抑菌至 1-log 殺滅頭孢菌素類fTMIC ≥ 60-70%碳青霉烯類fTMIC ≥ 40%萬古霉素AUC??/MIC 400-600肉湯微量稀釋法 MIC 1 mg/L氟喹諾酮類革蘭陰性菌 fAUC/MIC ≥ 100-125S. pneumoniae≥ 30-40氨基糖苷類Cmax/MIC ≥ 8-10達托霉素fAUC/MIC ~ 666S. aureus利奈唑胺fAUC/MIC 80-120游離未結合分數才是起作用的部分。對于頭孢曲松、達托霉素這類高蛋白結合率的藥物總濃度會顯著高估有效暴露量——這是原文檔反復強調、卻最容易被 TDM 報告忽略的一點。二、目標達成概率PTA與累積反應分數CFRPTA 與 CFR 是將指數目標轉化為概率語言的兩把尺子PTAProbability of Target Attainment對于固定的 MIC在給定給藥方案下模擬群體中達到 PK/PD 目標的人群比例。將 PTA 對 MIC 作圖得到的曲線可以定義PK/PD 折點breakpoint——即該方案能達到慣例上≥ 90% 達標率的最高 MIC。CFRCumulative Fraction of Response將 PTA 對實際病原菌群體的 MIC 分布做積分得到對經驗治療的單一期望成功率。兩者都需要一個具有真實變異度的群體 PK 模型。原文檔明確指出倉庫的simulate_regimen.py --simulate配合--target-auc或--target-trough提供了這套機制但需注意——它只包含個體間變異between-subject variability一旦加入殘差變異和個體內/occasion 間變異真實達標率會更低。2.1 用 simulate_regimen.py 計算 PTAsimulate_regimen.py 同時支持確定性模擬與蒙特卡洛模擬。確定性模擬回答典型患者長什么樣——而原文檔與 SKILL.md 都直截了當地指出這幾乎從來不是正確的問題# 確定性單次劑量 python3 simulate_regimen.py --cl 5 --v 40 --dose 500 --interval 12 --n-doses 10 --steady-state # 蒙特卡洛2000 名虛擬受試者帶個體間變異報告谷濃度達標率 python3 simulate_regimen.py --cl 5 --v 40 --dose 500 --interval 12 --n-doses 10 \ --simulate 2000 --omega-cl 0.35 --omega-v 0.25 --target-trough 4.0--simulate模式下腳本按對數正態分布抽取每個虛擬受試者的 CL 與 V源碼 將--omega-*從近似 CV 轉換為對數尺度標準差sqrt(log(1CV2))逐一模擬穩態給藥間隔統計峰/谷/AUC 的百分位數并輸出達標比例metric p5 p25 median p75 p95 geo_mean peak 11.861 14.6018 16.6702 19.1476 22.9339 16.6453 trough 0.863226 2.15191 3.64412 5.49655 9.21053 3.27035 target fraction_attaining trough 4 0.444典型的穩態谷濃度是 3.6而目標是 4——因此該方案只有 44% 的群體達標。按典型患者調出來的方案會讓近一半人群處于目標錯誤一側SKILL.md 將以典型患者選方案、不給群體達標率列為該技能要防止的第 6 類錯誤。腳本對任何達標比例 90% 的目標都會輸出一條 finding且每輪蒙特卡洛都附加提示此處僅含個體間變異真實達標率還會更低。PTA 之外--target-auc可直接用于抗菌場景——例如對氟喹諾酮類定義 fAUC/MIC 目標。工具底層調用 _models.py 的線性模型解析解任意 1/2/3 房室模型由速率矩陣特征分解為指數和disposition多劑量通過疊加原理superposition精確疊加因此模擬 2000 名受試者數千個時間點都無需數值積分速度快且無 ODE 容差噪聲。測試 tests/pkpd-modeling/test_scripts.py 用閉式穩態公式驗證了模擬輸出如auc_tau100、累積比1/(1-exp(-0.125*12))保證數值可信。2.2 危重癥人群標準模型失效的地方PTA/CFR 的臨床價值在危重癥人群中最突出而標準模型恰恰在這里最不可靠增強腎清除augmented renal clearance肌酐清除率 130 mL/min常見于年輕創傷與膿毒癥患者可能使標準 β-內酰胺方案顯著低于目標急性腎損傷與腎臟替代治療方向相反把暴露量推向另一側。這正是 MIPD/TDM 在該人群高價值的原因——見下文第四節。三、萬古霉素AUC 引導給藥2020 年 ASHP/IDSA/PIDS/SIDP 共識指南將嚴重 MRSA 感染的萬古霉素治療目標從谷濃度引導改為AUC??/MIC 400-600假定肉湯微量稀釋 MIC 1 mg/L。3.1 為什么谷濃度被放棄谷濃度是 AUC 的差代理達成歷史性的 15-20 mg/L 谷濃度目標常使 AUC?? 遠高于 600且與更多腎毒性相關卻沒有更好的療效。兩個谷濃度相同的患者因分布容積與給藥間隔不同其 AUC 可能相差 50%。這是共識指南轉變背后的定量邏輯。3.2 兩種公認的 AUC 估計方法貝葉斯估計用 1 或 2 個血藥濃度結合群體模型估計 AUC。優勢在于——單個濃度即可使用、容忍取樣時間不夠精確是首選方法。一階方程法取同一給藥間隔內、穩態條件下、輸注結束至少 1-2 小時后確保分布完成的峰濃度與谷濃度用一階動力學公式外推。倉庫的tdm_bayes.py --model vancomycin-adult實現了方法 1python3 tdm_bayes.py --model vancomycin-adult --weight 80 --crcl 75 \ --dose 1500 --interval 12 --level 18.211.5 --level 422 --target-auc24 500每個--level的格式是濃度距最近一次給藥的時間。內置的 vancomycin-adult 模型把 CL 建模為肌酐清除率的函數、V 建模為體重的函數源碼CL 0.048 × CrClV 0.72 × Weight其群體參數CL_pop 3.6 L/h、V_pop 58 L、omega_cl 0.27、omega_v 0.25、比例誤差 0.15、加和誤差 1.0在 LIBRARY 中明確標注為說明性參數化——source-ledger.md 的已知缺口一節再次確認這不是經過驗證的已發表模型。使用前必須替換為你所在人群驗證過的模型因為普通病房、ICU、肥胖、兒科與透析人群的萬古霉素群體模型差異巨大。除內置模型外腳本支持--custom直接輸入群體參數python3 tdm_bayes.py --custom --cl-pop 4.2 --v-pop 45 --omega-cl 0.30 \ --omega-v 0.25 --prop-error 0.12 --dose 1000 --interval 8 --level 127.5可選參數還包括--infusion輸注時長默認 1 h、--doses-given已達給藥劑次數默認 20即假定穩態。腳本會校驗輸注時長不得長于給藥間隔、濃度必須為正、取樣時間不得超出給藥間隔源碼。四、模型引導精準給藥MIPD與 MAP 貝葉斯預測MAP最大后驗貝葉斯預測把群體先驗與患者實測濃度結合minimise sum_j (obs_j - pred_j)^2 / var_j sum_k (eta_k / omega_k)^2tdm_bayes.py 的目標函數 正是這個公式第一項是加權殘差平方和觀測對預測第二項是先驗懲罰項——eta 偏離群體均值越多、omega 越小懲罰越大。在 Nelder-Mead 優化器中同時優化 CL 與 V 的對數尺度 etaexp(eta)保證參數恒為正輸出的個體估計值cl cl_prior * exp(eta_cl)等即 MAP 個體參數。這一設計帶來幾個重要推論原文檔逐條給出這里結合源碼展開單個濃度也有用但無法區分清除率與分布容積。樣本不提供信息的那個參數會退回其群體值報告中個體估計其實就是先驗。腳本對單濃度輸入會固定輸出一條 finding源碼測試 test_single_level_raises_a_finding 驗證了該行為。取樣時機決定學到什么。谷濃度對清除率有信息量分布完成后的峰濃度對分布容積有信息量。全谷取樣使容積弱辨識——腳本在全部濃度處于給藥間隔后 70% 時段時會輸出 note 建議補一個輸注結束后 1-2 h 的峰源碼。大的 eta 首先是一個數據質量信號。個體清除率達到群體值 3 倍更可能是取樣時間或輸注時間記錄錯誤而非真正罕見的患者。當|eta_cl| 2 × omega_cl時腳本輸出 finding明確要求先核查取樣時間再采信估計源碼。先驗必須適配患者。在普通內科住院患者中建立的模型用于連續性腎臟替代治療CRRT患者會向錯誤方向收縮且擬合統計量不會暴露這一點。腳本同時報告observed vs individual prediction表、當前方案下的預測暴露量auc_tau、auc_24h、穩態 Cmax/Cmin/Cavg以及當提供--target-auc24時的推薦劑量。劑量推薦基于線性藥代動力學下 AUC 與劑量嚴格成比例的假設recommended_dose target_auc24 × cl_individual腳本會同時注明假設線性 PK與目標本身是否適合這位患者本工具不發表意見源碼。測試 test_map_recovers_a_known_individual 從已知個體參數CL5、V50模擬兩個濃度點再交給 MAP 反推個體 CL/V 均能在容許誤差內還原——這證明在數據有信息量時 MAP 會跟從數據而非先驗。4.1 MIPD 已確立的藥物類別MIPD 并不局限于抗菌藥物。原文檔列出其他已確立應用的類別氨基糖苷類、白消安AUC 靶向的預處理方案、甲氨蝶呤解救、免疫抑制劑他克莫司、環孢素、霉酚酸酯、抗癲癇藥、英夫利昔單抗及其他抗 TNF 生物制劑以及重癥監護中日益增多的 β-內酰胺類。4.2 與其他方法的對比MAP 優于兩種常見替代方案SKILL.md 第 9 節用群體參數解讀單個谷濃度忽略了個體性對兩個點做對數線性回歸則忽略群體先驗且當濃度點落在分布相內時會失效。MAP 在數據無信息時向群體收縮、有信息時跟隨數據正是其優勢所在。五、撰寫一份可審計的 TDM 計算報告原文檔給出了一份 TDM 計算報告必須聲明的內容清單這也是 nca-reporting-checklist.md 思路在 TDM 場景的延伸群體模型及其來源是哪個模型、哪個人群、是否經過驗證檢測方法與基質assay and matrix實際的而非計劃的給藥與取樣時間是否達到穩態估計的個體參數及其 eta預測的暴露指標目標值及其理由。沒有實際時間記錄計算就無法復現、無法審計。tdm_bayes.py 的每次輸出都會附上群體模型來源說明與建模輔助工具而非給藥決策的聲明源碼——這正是把報告可審計落成代碼約定。對患者方案的任何修改都是臨床決策取決于病原體、感染部位、腎功能軌跡、合并腎毒性藥物及本地方案。模型提供的是暴露量估計不提供決策本身。這一點在原文檔末段與 SKILL.md 的 Scope 一節中反復強調tdm_bayes.py是建模輔助工具任何方案變更都是主管醫師的職責。六、全流程串聯從群體模型到個體化給藥將本文各節與倉庫工具串成一個可操作的抗菌 TDM 工作流明確目標與指數按藥物類別從第一節的三類指數表中選定指標如 β-內酰胺選 fTMIC萬古霉素選 fAUC/MIC與目標值。檢查數據集若數據進入群體建模先用check_popk_dataset.py檢查 NONMEM 數據如--covariates WT,CRCL --time-varying WT攔截非數值 DV、無劑量受試者、亂序 TIME、缺失協變量等不會報錯但會壞掉結果的缺陷。擬合/選擇群體模型用fit_compartmental.py選擇結構模型用 RSE、BIC、F 檢驗確認參數可辨識參考 population-pk.md 的診斷與模型評價清單。模擬 PTA/CFR用simulate_regimen.py --simulate配合--target-trough/--target-auc評估方案在群體中的達標率特別警惕增強腎清除人群。個體化用tdm_bayes.py結合 1-2 個實測濃度做 MAP 估計得到個體 CL/V、預測 AUC 與推薦劑量對萬古霉素使用替換過的、適合本人群的模型參數。報告與決策按第五節清單輸出可審計報告最終方案變更交由臨床團隊決策。七、引用與進一步閱讀本文核心內容繼承自 antimicrobial-and-tdm.md實現細節對應 tdm_bayes.pyMAP 目標函數、內置模型、發現規則、simulate_regimen.py蒙特卡洛與達標率、_models.py解析解與疊加原理數值正確性由 tests/pkpd-modeling/test_scripts.py 保障。運行前提Python 3.11numpy 與 scipySKILL.md 兼容性聲明全程離線、無需專有軟件。如需深入可繼續閱讀population-pk.md —— 群體建模、BLQ 處理、協變量建模與診斷source-ledger.md —— 文中2020 萬古霉素共識指南等版本化聲明的溯源SKILL.md —— 技能總覽、腳本清單與該技能要防止的十類錯誤【免費下載鏈接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.項目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills創作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考