張宇禎 張其銀 曾現(xiàn)生 王振 蔣文平 蔣彬

近年來，華法林個體化治療領(lǐng)域的研究熱點是將藥物基因組學與臨床因素結(jié)合，構(gòu)建華法林劑量預(yù)測模型，以指導(dǎo)華法林劑量的初始選擇與調(diào)整。目前，較為公認的模型是由國際華法林藥物基因組學聯(lián)合會(The International Warfarin Pharmaeogenetics Consortium，IWPC)模型[1]。然而，這個模型在國人中預(yù)測的準確性并不高[2-3]。國內(nèi)也有一些小組嘗試建立更適用于國人的預(yù)測模型[4-5]。同樣，當這些模型應(yīng)用于新的數(shù)據(jù)中時，其準確性往往較測試時大幅度減弱[2]，即模型泛化性弱。華法林的個體劑量差異影響因素多，函數(shù)形式復(fù)雜，使用上述基于傳統(tǒng)統(tǒng)計學的回歸方法建模局限性較大。隨著人工智能的發(fā)展，機器學習在各領(lǐng)域的應(yīng)用前景開始展現(xiàn)。筆者提出一種基于遺傳程序設(shè)計(genetic programming，GP)和遺傳算法(genetic algorithm，GA)的回歸建模方法遺傳程序設(shè)計-遺傳算法(GPGA)，建立華法林劑量預(yù)測模型，進而提高華法林劑量預(yù)測的準確性，推動華法林的個體化治療。

1 資料與方法

1.1研究對象 本研究為回顧性研究。納入100例2014年1月到2017年2月在蘇州大學附屬第一醫(yī)院就診的進行華法林抗凝治療的漢族患者。入選標準：使用華法林達穩(wěn)態(tài)，即使用華法林≥3個月，在最近連續(xù)3次隨訪過程中(間隔天數(shù)≥7 d)劑量不變，且國際標準化比值(international normalized ratio, INR) 均符合抗凝標準。

1.2收集臨床資料 記錄患者基本信息，包括性別、年齡、身高、體重、抗凝指征、合并用藥和疾病狀態(tài)等。記錄其華法林穩(wěn)定維持日均劑量(真實值)。

1.3抗凝標準 無合并其它抗栓藥物者：INR目標范圍為2.0～3.0；合并使用阿司匹林和/或氯吡格雷聯(lián)合抗栓者：INR目標范圍為2.0～2.5。

1.4抗凝藥物 采用上海信宜九福藥業(yè)有限公司生產(chǎn)的華法林(2.5 mg/片)制劑。

1.5基因型檢測 采取患者外周靜脈血樣2ml于EDTA抗凝管，使用基因組DNA提取試劑盒(美國Promega)提取基因組DNA。本研究涉及的華法林代謝與作用相關(guān)的基因多態(tài)性包括CYP2C9(rs1057910)和VKORC1(rs9923231)?；驕y序使用焦磷酸測序技術(shù)[6]。

1.6模型建立 所有患者的相關(guān)資料為建模的數(shù)據(jù)集。數(shù)據(jù)集分別兩次按隨機數(shù)字法以3∶1∶1的比例分為3個集合，得到兩組不同的訓(xùn)練集(n=60)、驗證集(n=20)和測試集(n=20)，實現(xiàn)交叉驗證。設(shè)計三種不同復(fù)雜度的模型M1、M2和M3，分別納入5、6和7個變量(表1)。

表1 不同復(fù)雜度的模型(納入的變量數(shù)不同)

如圖1所示，GP在每一組訓(xùn)練集上建立一組多樣化的候選模型，模型的效果通過驗證集來檢驗。如果模型在驗證集上的表現(xiàn)不佳，那么它將會從集合中淘汰；能以較高的精度近似驗證集的模型將被保留。當現(xiàn)有模型不能達到設(shè)定精度時，GA將優(yōu)化GP參數(shù)以獲得更好的模型。

GP：遺傳程序設(shè)計，GA：遺傳算法，GPGA：遺傳程序設(shè)計-遺傳算法

圖1GPGA建模過程

以三種復(fù)雜度各生成10個通過驗證的模型，在測試集中進行評估，分別選取一個總體最優(yōu)模型用于下一步的模型對比。

1.7用于比較的現(xiàn)有機器學習方法建模及傳統(tǒng)模型 現(xiàn)有機器學習算法所建模型：與GPGA建模相似，用三種現(xiàn)有的主流機器學習算法①支持向量回歸(support vector regression，SVR)，②徑向基函數(shù)(radical basis function，RBF)神經(jīng)網(wǎng)絡(luò)和③反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)在相同訓(xùn)練集中以三種復(fù)雜度各建立10個模型，在測試集中進行驗證，選取各自的總體最優(yōu)模型，用于模型對比。

傳統(tǒng)模型：將如下模型在相同測試集中驗證，用于模型對比。①基于相似人群的線性回歸模型：我院Yu等[5]基于271例華法林抗凝患者建立的線性回歸模型(Yu模型)，模型復(fù)雜度同M1；②國際公認的預(yù)測模型：國際華法林藥物基因組學聯(lián)合會IWPC模型[1]，模型復(fù)雜度相當于M2。

2 結(jié)果

2.1患者基本臨床情況、基因檢測結(jié)果與抗凝治療結(jié)果 本研究共入選患者100例，其中男性61例，女性39例，年齡(63.18±13.289)歲，身高(164.32±7.300)cm，體重(64.98±13.297)kg，有13例合并使用胺碘酮?？鼓刚魅缦拢悍前昴ば孕姆款潉?心房撲動50例，瓣膜性心房顫動/心房撲動(未置換瓣膜)3例，瓣膜置換30例，其它17例(5.3%)。基因檢測結(jié)果見表2。達到穩(wěn)定的華法林維持劑量為(2.38±1.169) mg/d?？鼓邪l(fā)生出血事件者14例，抗凝中發(fā)生栓塞事件者6例。

2.2模型示例 公式(1)為GPGA演化得到的一個較優(yōu)的M3預(yù)測模型，變量與相應(yīng)輸出值見表3：

Y=0.3314-0.3549 × (2Gender) + 0.0796 × log(CYP2C9)-5.3296 × sin(Height) + 0.1842 ×sinCYP2C9 + 0.0028 × (-Amiodarone) + 0.1822 × (2VKORC1) + 0.0150 × (2Age) + 2.4823× Gender × Age- 5.6482 × Age2+ 0.1445 × exp(Age) + 0.2843 × sigmod(Amiodarone) + 1.1269 + 0.2792 × (2Amiodarone) + 0.8336 × (Weight + VKORC1) + 0.0094 × cos(Age) -0.5013 × Gender2+ 0.2751 × (Gender-Height) - 0.0806 × sigmod(VKORC1) + 0.2577 × VKORC12+ 0.0344 ×cos(VKORC1)- 13.6982 × (2Weight) + 0.0503 × (2VKORC1)-0.2003 × exp(VKORC1)- 0.1187 × sin(Age)- 0.0983 × Weight2+ 0.2504 × CYP2C9 + 0.526 × log(Height) + 1.117898-0.6143 × sigmod(Age) + 0.1468 × (-2Amiodarone)- 0.0594 × sigmod(VKORC1) + 0.9650 + 0.1622 × (-Gender) + 0.0268 × exp(CYP2C9)-0.2213 × (2Height) + 2.9497 × exp(cos(Height))

(1)

表2 基因檢測結(jié)果

表3 變量和相應(yīng)輸出值

2.3模型對比結(jié)果 如圖2所示，在M1復(fù)雜度的各模型中，GPGA的R2(64.78%)、MSE(2.215×10-2)、20%-p(50%)均為最優(yōu)；M2中，GPGA的R2(59.41%)、20%-p(52.5%)為最優(yōu)，其MSE(2.935×10-2)稍遜于BP(2.86×10-2)與IWPC(2.851×10-2)；M3中，GPGA的R2(65.85%)、MSE(2.625×10-2)為最優(yōu)，其20%-p(50%)稍遜于SVR(52.5%)。在各復(fù)雜度模型中，GPGA總體表現(xiàn)最優(yōu)。如圖3所示，GPGA得到的R2從訓(xùn)練集到測試集很穩(wěn)定，而SVR輕度下降，RBF下降明顯。如圖4所示，GPGA在M1、M2、M3中未見明顯的優(yōu)勢遞增。

橫行分別顯示四種人工智能方法在不同復(fù)雜度中得到的R2(圖A-C)，MSE(圖D-F)和20%-p(圖G-I)；縱列分別顯示了M1(圖A、D、G)、M2(圖B、E、H)和M3(C、F、I)中各方法得到的評價指標。Yu模型固有復(fù)雜度為M1，其各指標列于第一縱列；IWPC模型固有復(fù)雜度等同于M2，其各指標列于第二縱列。R2：平方相關(guān)系數(shù)，MSE：均方誤差，20%-p：預(yù)測值在真實值±20%范圍內(nèi)的比例，GPGA：遺傳程序設(shè)計-遺傳算法，SVR：支持向量回歸，RBF：徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，BP：反向傳播神經(jīng)網(wǎng)絡(luò)，Yu：Yu模型，IWPC：IWPC模型

圖2模型對比

3 討論

本研究提出了基于演化算法的回歸建模方法GPGA，建立了華法林劑量預(yù)測模型，無論是與國內(nèi)外傳統(tǒng)回歸模型相較，還是與其它機器學習的方法相較，都得到了總體最好的趨勢相關(guān)性、精度、可用性和泛化性。身高和性別對華法林穩(wěn)定劑量無明顯預(yù)測價值。

華法林的治療窗窄，有效治療劑量個體差異大。傳統(tǒng)的華法林治療方案，是給予所有患者一個大致固定的初始劑量(國內(nèi)通常是2.5 mg/d)，然后根據(jù)隨訪的INR進行有效劑量滴定。這個方案的制定完全依賴于臨床醫(yī)生的個人經(jīng)驗。達標前調(diào)整周期長，不僅意味著需要患者頻繁進行采血，增加患者的時間、經(jīng)濟與身體負擔，還意味著患者在較長時間內(nèi)抗凝不足或抗凝過度；而且意味著不少患者拒絕抗凝治療，或者失隨訪；這些情況都會導(dǎo)致較大的栓塞或出血風險，嚴重時可致殘甚至致死。雖然近年開發(fā)出一些新型口服抗凝藥物，但是由于價格高昂、適應(yīng)證局限、缺乏有效的監(jiān)測和拮抗手段等原因，適用人群有限，無法替代華法林在口服抗凝藥物中的地位。因此，在精準醫(yī)療時代，解決好個體化使用華法林的問題，對改善華法林患者的依從性，提高抗凝治療的覆蓋率與質(zhì)量，防治血栓栓塞性疾病具有重要價值[1]。

圖3各種方法得到的R2從訓(xùn)練集到測試集的變化

余靚平等[2]在130例中國漢族患者中對比了三個傳統(tǒng)華法林預(yù)測模型：Wen模型[4]，Ohno模型[7]和IWPC模型，其R2依次為40.2%、38.2%和26.7%，較建模時的R2均明顯下降，說明這些模型泛化性較差，難以應(yīng)用于新的患者群。目前在中國人群中準確性較高的傳統(tǒng)華法林預(yù)測模型是婁瑩等[8]基于488例中國漢族患者建立的，其建模組R2為65.2%，驗證組20%-p為60.6%，展現(xiàn)了很好的趨勢相關(guān)性與可用性。然而作者未報道驗證組R2，難以衡量其泛化性；未報道MSE，無法衡量其預(yù)測精度；未以IWPC等其它模型作同數(shù)據(jù)驗證對比，因此無法進行模型間的直接比較。

本研究將四種人工智能算法分別以三種復(fù)雜度建模，并與兩種傳統(tǒng)模型一起在統(tǒng)一的數(shù)據(jù)中驗證，并通過R2、MSE、20%-p和R2從訓(xùn)練集到測試集的變化這四個指標全面評估模型的趨勢相關(guān)性、精度、可用性和泛化性。GPGA法在各指標上總體表現(xiàn)最優(yōu)。在3個不同復(fù)雜度的模型中，M1選取的變量與Yu模型一致；M2選取的變量與IWPC模型基本一致，其中省略種族(均為亞洲人)和合并使用細胞色素P450酶誘導(dǎo)劑(均未使用)這兩個變量；M3進一步增加了性別變量。結(jié)果顯示，GPGA在M1、M2、M3中未見明顯的優(yōu)勢遞增。這說明在本研究中，身高、性別變量的加入并不能進一步提高模型的預(yù)測性能，M1復(fù)雜度的GPGA模型已能夠體現(xiàn)出較其它模型的優(yōu)勢。較簡單的變量選擇避免了過于繁雜的臨床信息采集，臨床實用性強。納入其它臨床變量的作用尚待研究。

R2：平方相關(guān)系數(shù)，MSE：均方誤差，20%-p：預(yù)測值在真實值±20%范圍內(nèi)的比例，GPGA：遺傳程序設(shè)計-遺傳算法

圖4GPGA建立的M1、M2、M3模型的預(yù)測性能比較

本研究存在一定的局限性。本研究為單中心回顧性研究，納入樣本量較少。我們的下一步研究，將進一步收集多中心的樣本，擴充模型數(shù)據(jù)集，以演化出泛化性更強的模型，并設(shè)計前瞻性隨機對照臨床研究，通過比較接受本模型與傳統(tǒng)模型制定初始華法林劑量的患者，及接受固定起始劑量的患者的INR達標前調(diào)整時間、治療窗內(nèi)時間(time in therapeutic range，TTR)及抗凝中出血/栓塞事件等指標，明確基于人工智能GPGA的華法林劑量預(yù)測模型在臨床上的應(yīng)用價值。

綜上所述，本研究首次建立了基于GPGA的華法林劑量預(yù)測模型，提高了華法林預(yù)測的趨勢相關(guān)性、精度、可用性與泛化性；展示了將人工智能技術(shù)應(yīng)用于華法林個體化治療具有很好的潛力和應(yīng)用前景；希望在精準醫(yī)療時代，協(xié)助臨床醫(yī)師縮短患者INR達標前調(diào)整時間，提高TTR，從而提高患者依從性與抗凝質(zhì)量，減少血栓栓塞性疾病及出血，降低致殘及致死率。

1 Klein TE, Altman RB, Eriksson N, et al. Estimation of the warfarin dose with clinical and pharmacogenetic data [J]. N Engl J Med, 2009, 360(8): 753

2 余靚平, 宋洪濤, 曾志勇, 等. 基于藥物基因組學的華法林給藥模型的驗證 [J]. 中華心血管病雜志, 2012, 40(7): 614

3 劉俊, 徐航, 葛衛(wèi)紅, 等. 華法林基于藥物基因組學個體化給藥方案的評價 [J]. 中國醫(yī)院藥學雜志, 2013, 33(22): 1 857

4 Wen MS, Lee M, Chen JJ, et al. Prospective study of warfarin dosage requirements based on CYP2C9 and VKORC1 genotypes [J]. Clin Pharmacol Ther, 2008, 84(1): 83

5 Yu Z, Ding YL, Lu F, et al. Warfarin dosage adjustment strategy in Chinese population [J]. Int J Clin Exp Med, 2015, 8(6): 9 904

6 Xue L, Holford N, Ding XL, et al. Theory-based pharmacokinetics and pharmacodynamics of S- and R-warfarin and effects on international normalized ratio: influence of body size, composition and genotype in cardiac surgery patients [J]. Br J Clin Pharmacol, 2017, 83(4): 823

7 Ohno M, Yamamoto A, Ono A, et al. Influence of clinical and genetic factors on warfarin dose requirements among Japanese patients [J]. Eur J Clin Pharmacol, 2009, 65(11): 1 097

8 婁瑩, 華潞, 韓璐璐, 等. 中國漢族人群華法林穩(wěn)定劑量預(yù)測模型的建立與驗證 [J]. 中華心血管病雜志, 2014, 42(5): 384