เมื่อพูดถึงการรักษา ความท้าทายทางการแพทย์ที่สำคัญมักถูกกลั่นกรองไปถึงคำถามสำคัญยิ่ง นั่นคือ ให้ยามากแค่ไหนและนานเพียงใด ความทะเยอทะยานที่จะให้มีการรักษาด้วยยาเฉพาะบุคคลอย่างแท้จริงถูกจำกัดมาเป็นเวลานานเกินไป ด้วยข้อจำกัดของการจัดขนาดยาแบบคงที่ ขนาดเดียวสำหรับทุกคน และรูปแบบเภสัชจลนศาสตร์ (pharmacokinetic หรือ PK) ที่ล้าสมัย – ระบบที่ขาดความยืดหยุ่นและไม่พร้อมสำหรับยาที่มีความก้าวหน้าอย่างการรักษาทางชีวภาพและสารประกอบใหม่ที่มีประสิทธิภาพสูง แต่ถ้าเครื่องมือดิจิทัลที่เปลี่ยนแปลงอุตสาหกรรมของเราสามารถทำให้คุณมีเวลามากขึ้นได้จะเป็นอย่างไร การบูรณาการเทคโนโลยีดิจิทัลสมัยใหม่สามารถเปลี่ยนแปลงการติดตามระดับยาเพื่อการรักษา (therapeutic drug monitoring หรือ TDM) ที่เป็นพลวัต มีการปรับเปลี่ยนนี้ได้โดยสิ้นเชิง จากเครื่องมือวัดเชิงตอบสนองไปสู่กลยุทธ์ทางการแพทย์เชิงรุกและเชิงทำนาย การเปลี่ยนแปลงทางดิจิทัลนี้ช่วยให้แพทย์มีความสามารถในการตัดสินใจได้อย่างมีประสิทธิภาพและแม่นยำขณะเดียวกันก็ช่วยให้ห้องปฏิบัติการและโรงพยาบาลบรรลุผลลัพธ์ที่ดีขึ้น ลดต้นทุน และช่วยให้ผู้ป่วยมีประสบการณ์ที่ดีขึ้น [1, 2] ความเป็นไปได้ของวิสัยทัศน์นี้เป็นหนึ่งในธีมหลักในการประชุมสมาคมนานาชาติด้านการติดตามระดับยาเพื่อการรักษาและพิษวิทยาคลินิก (International Association of Therapeutic Drug Monitoring and Clinical Toxicology หรือ IATDMCT) ที่สิงคโปร์เมื่อปีที่แล้ว การประชุมที่จัดขึ้นเมื่อเดือนกันยายนครั้งนี้ เป็นการรวมตัวของผู้มีบทบาทสำคัญทั้งผู้เชี่ยวชาญชั้นนำและผู้บุกเบิกทางกลยุทธ์ของวงการเพื่อนำเสนออย่างแม่นยำว่าเครื่องมือเหล่านี้มีการดำเนินการอย่างไร ทีมงาน Lab Insights ได้บันทึกข้อมูลเชิงลึกที่สำคัญโดยได้จากการนำเสนอเชิงลึก 4 เรื่องซึ่งแสดงแนวทางหลายแง่มุมในการดำเนินการ TDM และพิษวิทยาคลินิกแบบระบบดิจิทัล โดยตรวจสอบบทบาทของระบบนี้ในการมุ่งหน้าสู่การดูแลรักษารายบุคคล:
-
- Dr Amy Legg สำรวจบทบาทเชิงกลยุทธ์ของปัญญาประดิษฐ์ (AI) และข้อมูลขนาดใหญ่ในการปรับโครงสร้างการวิจัย TDM โดยเน้นความจำเป็นสำหรับรูปแบบเชิงทำนายแบบไดนามิก งานของเธอซึ่งมีรากฐานจากเภสัชกรรมคลินิกและการกำกับดูแลการใช้ยาต้านจุลชีพ ได้เน้นศักยภาพของการฝังงานวิจัยไว้ภายในระบบเวชระเบียนอิเล็กทรอนิกส์ ( electronic health record หรือ EHR) แบบดิจิทัลเพื่อตอบคำถามทางคลินิกที่ซับซ้อน ตั้งแต่ปฏิกิริยาระหว่างยาที่พบได้ยากไปจนถึง PK ที่จำเพาะต่อประชากร
- Dr Tomoyuki Yamada แสดงให้เห็นว่าการใช้ประโยชน์จากแหล่งข้อมูลในโลกแห่งความเป็นจริง (real-world data หรือ RWD) จำนวนมหาศาลช่วยให้สัญญาณความปลอดภัยที่สำคัญยิ่งและนำความก้าวหน้ามาสู่เวชปฏิบัติด้านพิษวิทยาและการติดตามระดับยาได้อย่างไร ในฐานะหัวหน้าฝ่ายเภสัชกรซึ่งเป็นผู้นำการดำเนินงานเฝ้าระวังความปลอดภัยของยา การศึกษาวิจัยรายกรณีของ Dr Yamada เช่น การประเมินปฏิกิริยาระหว่างยาแดปโตมัยซินกับยากลุ่มสแตติน และประเมิน TDM ติดตามผลเพื่อลดความเป็นพิษจากแวนโคไมซิน แสดงให้เห็นถึงผลกระทบที่เป็นรูปธรรมของการวิเคราะห์ RWD ต่อผลลัพธ์ของผู้ป่วย
- Dr. Dirk Jan Moes อธิบายการใช้ Model-Informed Precision Dosage (MIPD) เชิงกลยุทธ์สำหรับสารชีวภาพที่ซับซ้อนในมะเร็งวิทยา โดยเน้นถึงประโยชน์ทางการเงินและทางคลินิกที่สามารถวัดได้ของระบบดิจิทัลแบบบูรณาการ ในฐานะรองศาสตราจารย์ด้านเภสัชมาตรศาสตร์คลินิก Dr Moes มุ่งเน้นว่าการกำหนดกลยุทธ์ MIPD สามารถกำหนดขนาดยาสำหรับสารทางชีวภาพจำเพาะ – รวมถึงดาราทูแมบและนิโวลูแมบ – เพื่อลดทั้งความเป็นพิษทางการเงินและทางคลินิกได้อย่างไร
- Dr Tomoyuki Mizuno ได้สาธิตถึงการใช้ประโยชน์แบบก้าวหน้าจากการเรียนรู้ของเครื่อง (machine learning หรือ ML) และแดชบอร์ดสนับสนุนการตัดสินใจแบบบูรณาการเพื่ออำนวยความสะดวกในการให้ยาที่มีความเที่ยงตรงสูงมาก โดยเฉพาะอย่างยิ่งในการดูแลรักษาผู้ป่วยเด็กที่มีความท้าทายอย่างยิ่ง Dr Mizuno ซึ่งเป็นผู้อำนวยการศูนย์ความเป็นเลิศด้านเภสัชมาตรศาสตร์ มุ่งเน้นที่การเสริมสร้างเฟรมเวิร์ก MIPD โดยใช้ ML เพื่อจัดการความซับซ้อนที่เป็นเอกลักษณ์ในการปรับขนาดยาสำหรับเด็ก ช่วยให้แพทย์มีเครื่องมือที่เป็นนวัตกรรมสำหรับใช้ข้างเตียงผู้ป่วย
ผู้เชี่ยวชาญเหล่านี้ได้ร่วมกันส่องทางให้เห็นเสาหลักดิจิทัลที่จำเป็นอย่างยิ่งซึ่งจะกำหนดคุณค่าการวินิจฉัยและการดูแลรักษาผู้ป่วยในยุคต่อไป
Model-informed precision dosage (MIPD) ในฐานะแพลตฟอร์มพื้นฐาน
ไม่มีร่างกายสองร่างใดที่เหมือนกันทุกประการ และมีความต้องการทางการแพทย์ที่จะต้องกำหนดเฉพาะรายบุคคล “ร่างกายของเราไม่ได้เป็นเหมือนตู้ปลาที่เป็นเนื้อเดียวกันหมด ยามีการกระจายตัวแตกต่างกันออกไป” ศาสตราจารย์ Andrea Kwa จาก Singapore General Hospital กล่าวไว้ในปาฐกถาหลัก เป้าหมายของการปรับขนาดยาอย่างเที่ยงตรงอยู่ที่การระบุรูปแบบการปรับขนาดยาที่เหมาะสมที่สุดที่จะทำให้ได้ประสิทธิผลตามต้องการโดยมีความเป็นพิษน้อยที่สุดในผู้ป่วยแต่ละราย [1] MIPD ได้กลายเป็นกรอบเชิงปริมาณที่สำคัญอย่างยิ่งสำหรับการบรรลุเป้าหมายนี้ มันใช้รูปแบบเภสัชจลนศาสตร์/เภสัชพลศาสตร์ (pharmacokinetic/pharmacodynamic หรือ PK/PD) ที่ซับซ้อนเพื่อผสมผสานและใช้ข้อมูลจำเพาะตัวผู้ป่วยและการสังเกตทางคลินิก โดยมีการแยกขนาดยาแต่ละขนาดในหลายขั้นตอนตลอดการรักษาด้วยยา วิธีการนี้ทำงานเป็นวงจรคาดการณ์ ยืนยัน เรียนรู้ และปรับใช้ :
-
- การคาดการณ์ (การปรับขนาดยาแนวหน้า): ข้อมูลผู้ป่วยพื้นฐาน – เช่น น้ำหนักตัว อายุ รูปแบบพันธุกรรม และการทำงานของอวัยวะ จะถูกรวบรวมเป็นตัวแปรร่วมเพื่อแจ้งรูปแบบและการออกแบบขนาดยาเริ่มแรกเบื้องต้น Dr. Moes เรียกขั้นตอนแรกที่สำคัญอย่างยิ่งนี้ว่า “การปรับขนาดยาแนวหน้า” [2]
- การยืนยันและการกลั่นกรอง: เพื่อควบคุมสำหรับความแปรปรวนระหว่างผู้ป่วยสูง ข้อมูลที่สังเกตได้ (ตัวอย่างเช่น การวัดความเข้มข้นยาและตัวบ่งชี้ทางชีวภาพ PD) ถูกใช้เป็นการป้อนกลับแบบเบย์เซียนเพื่ออัปเดตรูปแบบ โดยยอมให้สะท้อนการจัดการยาและฟีโนไทป์ที่แท้จริงของผู้ป่วย [2] กระบวนการทำซ้ำนี้ทำให้มีการปรับขนาดยาที่จำเป็นหลังการเก็บรวบรวมตัวบ่งชี้ทางชีวภาพหลังให้ยาซึ่งมีความสำคัญอย่างยิ่งโดยเฉพาะเมื่อจัดการยาที่ซับซ้อนมากขึ้น เช่น สารวีวภาพในมะเร็งเม็ดเลือด ซึ่ง Dr Moes เน้นความสำคัญของประสิทธิผลและความปลอดภัยสำหรับกลุ่มประชากรผู้ป่วยที่มีความท้าทาย [2]
ดังนั้นสิ่งสำคัญต่อการใช้งาน MIPD อย่างมีประสิทธิผลจึงต้องการโครงสร้างพื้นฐานทางคลินิกที่แข็งแกร่ง การตรวจวิเคราะห์ทางห้องปฏิบัติการที่เชื่อถือได้ (ตัวอย่างเช่น Liquid Chromatography-Mass Spectrometry สำหรับการตรวจแอนติบอดีหลายชนิดแบบมัลติเพล็กซ์) และที่สำคัญยิ่งคือ การผสาน EHR และระบบข้อมูลห้องปฏิบัติการ (laboratory information systems หรือ LIS) เข้าไปในเครื่องมือการปรับขนาดยาโดยตรง [1] ตัวอย่างหนึ่งของกรณีหลังนี้คือโปรแกรม RoadMAB ซึ่งเป็นซอฟต์แวร์การปรับขนาดยาที่พัฒนาโดย Dr. Mizuno และทีมงานที่ Cincinnati Children’s Hospital Medical Center (CCHMC) [3, 4] เครื่องมือนี้ได้รับการออกแบบมาโดยเฉพาะบูรณาการเข้ากับ EHR เพื่อแก้ไขข้อมูลผู้ป่วยที่จำเป็นสำหรับการวิเคราะห์โดยอัตโนมัติ ทำให้มีการปิดลูปดิจิทัลระหว่างข้อมูล การวินิจฉัย และการตัดสินใจอย่างมีประสิทธิภาพ
พลังของข้อมูลในโลกแห่งความเป็นจริง (RWD) และการวิเคราะห์ข้อมูลขนาดใหญ่
แม้ว่า MIPD จะให้กรอบเชิงปริมาณที่สำคัญอย่างยิ่งสำหรับการให้ยาแต่ละครั้ง แต่พลังที่แท้จริงของแนวทางดิจิทัลนี้จะเกิดขึ้นได้เมื่อมีการปรับปรุงรูปแบบเชิงทำนายของโปรแกรมนี้อย่างต่อเนื่องด้วยหลักฐานในโลกแห่งความเป็นจริง ตรงนี้เองที่ RWD และการวิเคราะห์ข้อมูลขนาดใหญ่กลายเป็นเครื่องมือที่ขาดไม่ได้สำหรับการพัฒนาทั้ง TDM และพิษวิทยาทางคลินิก [5] ความแข็งแกร่งของ RWD อยู่ที่การเก็บข้อมูลซึ่งครอบคลุมในวงกว้าง RWD ได้แหล่งข้อมูลจากฐานข้อมูลรายงานที่เกิดขึ้นเอง ฐานข้อมูลข้อถือสิทธิ และ EHR ซึ่งให้ข้อมูลเชิงลึกที่สอดคล้องกันที่จำเป็นอย่างยิ่งสำหรับการตรวจหาเหตุการณ์ไม่พึงประสงค์และการประเมินรูปแบบเวชปฏิบัติในปัจจุบัน [6] ชุดข้อมูลที่ซับซ้อนมากมายมหาศาลนี้จำเป็นอย่างยิ่งสำหรับการสร้างสมมุติฐาน ชุด RWD เชิงสังเกต เช่น รีจิสทรี BLUeY สำหรับ TDM เบตา-แล็กแทม ที่ Dr Legg ได้กล่าวถึงไว้ [5] – ช่วยให้ ML ระบุสัญญาณที่สร้างจากสมมุติฐานได้ตั้งแต่ต้นซึ่งมักพลาดไปในการศึกษาวิจัยแบบเดิมที่มีขนาดเล็กกว่าเนื่องจากผลลัพธ์ที่พบได้น้อยหรือความแปรปรวนของผู้ป่วยที่ซับซ้อน [8] ที่สำคัญยิ่งกว่านั้น ข้อมูลนี้แปลเป็นผลกระทบทางคลินิกที่แสดงให้เห็นได้โดยตรง ตัวอย่างเช่น การวิเคราะห์ข้อมูลข้อถือสิทธิได้แสดงว่า TDM ติดตามผลที่สม่ำเสมอต่อเนื่องสามารถลดอุบัติการณ์ภาวะเป็นพิษจากยาได้อย่างมาก โดยมีการศึกษาวิจัยครั้งหนึ่งได้บันทึกว่าวิธีการนี้ลดอุบัติการณ์ภาวะเป็นพิษต่อไตจากยาแวนโคไมซินจาก 60.9% เป็น 9.9% จากการนำเสนอของ Dr Yamada [6]
AI และการเรียนรู้ของเครื่อง (ML) เพื่อการสนับสนุนการตัดสินใจในยุคต่อไป
ความสามารถในการสร้างสมมติฐานและตรวจสอบรูปแบบการปฏิบัติโดยใช้ RWD สร้างความต้องการที่สำคัญสำหรับเครื่องมือวิเคราะห์ที่ซับซ้อนที่สามารถประมวลผลชุดข้อมูลขนาดใหญ่ที่ซับซ้อนดังกล่าว ด้วยพลังการคำนวณขั้นสูงของ AI และ ML นี่เองที่ห้องปฏิบัติการวินิจฉัยและทีมทางการแพทย์สามารถแปลงปริมาณข้อมูลมหาศาลนี้เป็นข้อมูลเชิงลึกสำหรับการปรับขนาดยาเชิงคาดการณ์ ที่ดำเนินการได้ และเฉพาะบุคคล
-
- การสร้างรูปแบบเชิงพลวัต: AI มีความสำคัญอย่างยิ่งในการจัดการขนาดตัวอย่างขนาดใหญ่และตัวแปรแทรกซ้อนที่จำเป็นในการพัฒนารูปแบบ PK ของประชากร ( population PK หรือ PopPK) ที่ซับซ้อนและมีพลวัตมากกว่าซึ่งสามารถปรับให้เข้ากับพารามิเตอร์ทางคลินิกที่เปลี่ยนแปลงไปของผู้ป่วยเมื่อเวลาผ่านไป ดังที่ Dr Legg ได้เน้นไว้ [8]
- รูปแบบไฮบริด: Dr Mizuno ยังย้ำด้วยว่าแนวทางที่มีแนวโน้มดีที่สุดนั้นก้าวข้ามเทคโนโลยีที่ทำงานโดยแยกส่วนกัน สิ่งนี้เกี่ยวข้องกับการผสานความสมเหตุสมผลทางคลินิกของการประมาณการแบบเบย์เชียนดั้งเดิมเข้ากับ ML (เช่น การใช้รูปแบบ XGBoost) เพื่อแก้ไขข้อผิดพลาดในการทำนาย ซึ่งส่งผลให้เกิดรูปแบบไฮบริดที่แข็งแกร่งซึ่งทำงานได้เหนือกว่าแนวทาง PopPK แบบดั้งเดิมอย่างต่อเนื่อง [3]
- ระบบอัตโนมัติและ AI เชิงตัวแทน: เมื่อมองไปข้างหน้า ระบบในอนาคตจะใช้การเรียนรู้แบบเสริมแรงเพื่อสร้างตัวแทน AI ที่สามารถเก็บรวบรวมข้อมูลผู้ป่วย ประเมินตัวเลือกการรักษา และแนะนำสูตรการให้ยาและช่วงเวลาให้ยาโดยอัตโนมัติ Dr Mizuno ยังเน้นด้วยว่าความก้าวหน้านี้ทำให้กระบวนการปรับขนาดยาทั้งหมดคล่องตัวขึ้นและเพิ่มระดับการตัดสินใจของมนุษย์ [3]
คุณค่าเชิงกลยุทธ์และผลตอบแทนจากการลงทุน (return on investment หรือ ROI) สำหรับการเป็นผู้นำด้านการวินิจฉัย
โดยรวมแล้ว การบูรณาการของกรอบ MIPD, RWD และ AI เชิงทำนายเป็นมากกว่าแนวคิดเชิงวิชาการ สิ่งนี้แสดงให้เห็นถึงการเปลี่ยนแปลงขั้นพื้นฐานในการเสนอคุณค่าของการวินิจฉัย สำหรับผู้นำในห้องปฏิบัติการและโรงพยาบาล การบรรจบกันนี้แปลเป็นประโยชน์ที่วัดได้โดยตรงซึ่งส่งผลกระทบต่อทั้งผลเชิงต้นทุนของผู้ป่วยและผลเชิงต้นทุนขององค์กร
ก) ผลลัพธ์ทางคลินิกและความปลอดภัยของผู้ป่วยดีขึ้น
ประโยชน์หลักของการเปลี่ยนแปลงทางดิจิทัลคือพลังในการยกระดับบริการวินิจฉัยจากการรายงานเชิงรับ มาเป็นการแนะแนวทางเชิงรุกเฉพาะบุคคล ซึ่งนำไปสู่การดูแลรักษาผู้ป่วยที่ดีขึ้น:
-
- ความเที่ยงตรงและความแม่นยำ: อัลกอริธึม AI ให้ระดับความสามารถในการทำนายซึ่งก่อนหน้านั้นไม่สามารถบรรลุผลได้ ตัวอย่างเช่น เครื่องมือ AI ได้แสดงให้เห็นถึงความสามารถในการทำนายค่าทางคลินิกที่สำคัญ เช่น International Normalised Ratio (INR) วันที่ห้าสำหรับวาร์ฟาริน ด้วยความแม่นยำที่สามารถเทียบเคียงได้ หรืออาจเหนือกว่าผู้เชี่ยวชาญที่เป็นมนุษย์เล็กน้อย [8] พลังการทำนายนี้ช่วยลดความล่าช้าที่เป็นอันตรายให้เหลือน้อยที่สุดในการรักษาที่เหมาะสม
- การแทรกแซงเชิงรุก: โดยการเชื่อมโยงรูปแบบเชิงทำนายกับขั้นตอนการทำงานทางคลินิก แดชบอร์ดสนับสนุนการตัดสินใจแบบดิจิทัลช่วยให้แพทย์ได้รับคำแนะนำสำหรับขนาดยาที่ชี้นำโดย PK ทันที Dr Mizuno กล่าวว่า สิ่งนี้อำนวยความสะดวกในการแทรกแซงเชิงรุก ด้วยการสนับสนุนให้ได้ผลลัพธ์ในการรักษาที่ดีขึ้นโดยการทำให้ผู้ป่วยบรรลุและคงเป้าหมายทางการรักษาได้เร็วขึ้น ดังนั้นจึงช่วยลดความเจ็บป่วยและลดระยะเวลาพักรักษาตัวในโรงพยาบาล [3]
ข) ประสิทธิภาพการดำเนินงานและการลดความเป็นพิษทางการเงิน
TDM แบบดิจิทัลทำงานเสมือนคันโยกที่ทรงพลังสำหรับการควบคุมต้นทุน โดยเฉพาะอย่างยิ่งสำหรับยาพิเศษที่มีราคาแพง เปลี่ยนการติดตามยาเป็นแหล่งของผลตอบแทนทางการเงินที่จับต้องได้:
-
- การควบคุมต้นทุน: การปรับขนาดยาให้เหมาะสมจะช่วยจัดการเรื่องต้นทุนสูงของการรักษาที่มีราคาแพง โดยช่วยลดการสูญเปล่าของยาและการสัมผัสยาให้น้อยที่สุด เพื่อให้แน่ใจว่าทุกขนาดยามีความแม่นยำที่สุดเท่าที่จะเป็นไปได้ โรงพยาบาลสามารถลดความท้าทายที่กำลังเพิ่มขึ้นเรื่อย ๆ ของภาวะเป็นพิษทางการเงินที่เกี่ยวข้องกับการรักษาขั้นสูงได้อย่างมีนัยสำคัญ [2]
- ROI ที่วัดปริมาณได้: การใช้เชิงกลยุทธ์ของรูปแบบ PK/PD และการปรับขนาดยาในซิลิโค ทำให้มีการประหยัดต้นทุนที่สามารถวัดได้อย่างมีนัยสำคัญ:
-
- การลดการสูญเปล่าของยา: ในการปรับขนาดยาสำหรับส่วนเชื่อมประสานแอนติบอดีกับยา (antibody-drug conjugate หรือ ADC) บางชนิด กลยุทธ์การเล็งใช้เฉพาะหลอดยาทั้งหมดส่งผลให้ค่าใช้จ่ายด้านยาลดลงประมาณ 25% [2]
- ระยะห่างการให้ยาที่เพิ่มขึ้น: ในการนำเสนอเดียวกันของ Dr Moes การปรับขนาดยาด้วยข้อมูลจากรูปแบบ ยังช่วยเพิ่มความสะดวกสบายของผู้ป่วยและลดค่าใช้จ่ายได้พร้อมกัน จากการพัฒนาระยะห่างการให้ยาตามน้ำหนักตัวสำหรับสารยับยั้งจุดตรวจสอบภูมิคุ้มกันใต้ผิวหนัง (เช่น ยานิโวลูแมบ) พบว่าประหยัดค่าใช้จ่ายด้านยารายปีได้มากกว่า 30% ขณะที่ยังคงตรงตามเกณฑ์ประสิทธิผลทางคลินิกที่เข้มงวด [2]
-
ค) ความต่อเนื่องด้านการวินิจฉัยที่มีความก้าวหน้า
การเปลี่ยนแปลงทางดิจิทัลได้เปลี่ยนตำแหน่งของห้องปฏิบัติการภายในความต่อเนื่องของการดูแล ไปโดยสิ้นเชิง – ห้องปฏิบัติการไม่ได้เป็นเพียงผู้ให้บริการอีกต่อไป แต่เป็นพันธมิตรเชิงกลยุทธ์ในการรักษา:
-
- การผสานรวมกับ EHR: การพัฒนาเครื่องมืออย่างซอฟต์แวร์ RoadMAB ซึ่งรวม MIPD และ ML ลงใน EHR โดยตรง ทำให้มีการแก้ไขข้อมูลผู้ป่วยที่จำเป็นโดยอัตโนมัติ และทำให้การวิเคราะห์สำหรับแพทย์ง่ายขึ้น [3, 4] นวัตกรรมนี้ได้เปลี่ยนคุณค่าของการวินิจฉัยจากผลในห้องปฏิบัติการที่คงที่เป็นคำแนะนำทางการรักษาที่ปฏิบัติได้จริงในที่สุด
- การตรวจวิเคราะห์ใหม่ ๆ และการทำมัลติเพล็กซ์: การลงทุนเชิงกลยุทธ์ในการตรวจวิเคราะห์ยุคต่อไป เช่น LCMS ดังที่ Dr Moes ได้กล่าวไว้ ช่วยให้สามารถวัดความเข้มข้นของยาหลายชนิดหรือแอนติบอดีหลายตัวในตัวอย่างจากผู้ป่วยรายเดียวได้พร้อมกัน [2] ซึ่งจะช่วยส่งเสริมคุณค่าชุดบริการของห้องปฏิบัติการ เพิ่มประสิทธิภาพ และรองรับความต้องการที่ซับซ้อนของการตรวจติดตามทางชีวภาพ
ประสิทธิภาพซึ่งเป็นที่รับรู้กันเหล่านี้เน้นย้ำถึงการปรับเปลี่ยนกระบวนทัศน์ที่สำคัญ นั่นคือการเปลี่ยนแปลงด้านดิจิทัลใน TDM ทำงานในฐานะสิ่งสร้างคุณค่าที่ให้ผลตอบแทนจากการลงทุน (ROI) ที่เห็นได้ชัดและมีนัยสำคัญแทนที่จะเพียงแต่ทำให้เกิดค่าใช้จ่ายทั่วไปเท่านั้น
แผนงานสู่การเปลี่ยนแปลง: การเรียกร้องให้ผู้นำดำเนินการ
การตระหนักถึง ROI ที่สำคัญนี้และการคงไว้ซึ่งความต่อเนื่องด้านการวินิจฉัยที่ก้าวหน้าต้องใช้กลยุทธ์ที่รอบคอบและมีวิสัยทัศน์ที่จะจัดการทั้งความพร้อมขององค์กรและการกำกับดูแลด้านเทคนิค สำหรับผู้นำห้องปฏิบัติการและโรงพยาบาล เส้นทางสู่อนาคตนั้นไม่ใช่แค่การนำเทคโนโลยีมาใช้แต่เกี่ยวข้องกับการขับเคลื่อนการเปลี่ยนแปลงของสถาบันด้วย เพื่อให้บรรลุผลนี้ได้ จำเป็นต้องมีชุดการดำเนินการที่ชัดเจน:
-
- ความร่วมมือแบบสหสาขาวิชา: การบรรลุวิสัยทัศน์แบบองค์รวมของการดูแลรักษาแบบบูรณาการจำเป็นต้องทำลายกำแพงการทำงานแยกส่วนแบบดั้งเดิม ความร่วมมือที่มีประสิทธิภาพเป็นสิ่งสำคัญยิ่งสำหรับผู้มีส่วนได้ส่วนเสียหลักทั้งหลาย ได้แก่ เภสัชกรรมคลินิก บริการห้องปฏิบัติการ การพัฒนาไอที/ซอฟต์แวร์ และการจัดการโรงพยาบาล เพื่อความมั่นใจว่ามีการบูรณาการเครื่องมือและการนำขั้นตอนการทำงานมาใช้อย่างราบรื่น [1]
- การกำกับดูแลและการควบคุมคุณภาพ: เทคโนโลยีดิจิทัล โดยเฉพาะอย่างยิ่ง AI จำเป็นต้องมีการจัดการอย่างระมัดระวัง ผู้นำต้องให้ความสำคัญต่อคุณภาพข้อมูลที่แข็งแกร่ง การตรวจสอบภายนอกที่เข้มงวด และการกำกับดูแลที่เข้มแข็งเพื่อให้แน่ใจว่ารูปแบบ – โดยเฉพาะอย่างยิ่งรูปแบบที่ใช้ประโยชน์จาก RWD – ปลอดภัยและไว้ใจได้สำหรับการดูแลรักษาผู้ป่วยในวงกว้าง [8] การกำหนดแนวทางปฏิบัติที่ชัดเจนช่วยป้องกันความรับผิดทางกฎหมายและรับรองความปลอดภัยของผู้ป่วย
- การมุ่งเน้นการลงทุน การลงทุนในอนาคตควรมุ่งเน้นไปที่การบูรณาการระบบแทนที่จะซื้อเครื่องมือแบบแยกจากกัน ทั้งนี้รวมถึงการบูรณาการเภสัชพลศาสตร์เต็มรูปแบบ (รูปแบบ PK/PD) แนวคิดขั้นสูง เช่น ดิจิทัลทวิน และความสามารถของ AI ที่ผ่านการปรับแต่งแล้ว นำเข้าสู่ในแดชบอร์ดสนับสนุนการตัดสินใจทางคลินิกโดยตรง วิธีการนี้จะเปลี่ยนแปลง และปรับปรุง TDM ให้ทันสมัยยิ่งขึ้น ทำให้มั่นใจได้ถึงเป้าหมายสูงสุด: ยาที่เหมาะสม ขนาดยาที่ถูกต้อง ในเวลาที่เหมาะสมสำหรับผู้ป่วยทุกคน [2, 3]
ท้ายที่สุด อนาคตดิจิทัลของ TDM – ตามที่ผู้นำของอุตสาหกรรมเหล่านี้ได้ยืนยันไว้ – เป็นเรื่องของความเที่ยงตรงโดยมีเป้าหมายชัดเจน เป็นโอกาสสำหรับงานวินิจฉัยที่จะได้เป็นพันธมิตรเชิงรุกและมีบูรณาการในการดูแลรักษา การเปลี่ยนแปลงนี้มอบความได้เปรียบทางการแข่งขันที่ชัดเจนโดยมีผลตอบแทนที่วัดได้ให้แก่ผู้นำ แต่ชัยชนะที่แท้จริงคือความสามารถในการยกระดับประสบการณ์ด้านการแพทย์ของมนุษย์ได้อย่างมากด้วยการทำให้ความปลอดภัยส่วนบุคคลเป็นมาตรฐานหลักสำหรับทุกคน
เอกสารอ้างอิง
[1] Mizuno, T., Vinks, A.A., Fukuda, T., Rosenheck, R., Wetterland, L., de Leon, J., Hartman, S., Arnold, L.M. and Patino, L.R. (2022) ‘Clinical implementation of pharmacogenetics and model-informed precision dosing to improve patient care’, British Journal of Clinical Pharmacology, 88(4), pp. 1418–1426.
[2] Moes, D.J. (2025) ‘Model Informed (precision) dosing of biologics in (hemato)oncology: challenges and opportunities?’, 23rd International Association of Therapeutic Drug Monitoring and Clinical Toxicology (IATDMCT) Conference. Grand Copthorne Waterfront Hotel, Singapore, 21–24 September.
[3] Mizuno, T. (2025) ‘Leveraging machine learning and decision support dashboard to facilitate precision dosing in pediatric patient care’, 23rd International Association of Therapeutic Drug Monitoring and Clinical Toxicology (IATDMCT) Conference. Grand Copthorne Waterfront Hotel, Singapore, 21–24 September.
[4] Colman, R.J., Xiong, Y., Mizuno, T., Xie, C., Vinks, A.A., Hyams, J.S., Denson, L.A. and Minar, P. (2023) ‘Model-informed Precision Dosing for Biologics Is Now Available at the Bedside: A Roadmap for Strategies and Considerations for Real-world Implementation’, Inflammatory Bowel Diseases, 29(1), pp. 119–127. doi: 10.1093/ibd/izac063.
[5] Maier, C., Hartung, N., Kloft, C., Huisinga, W. and Henrich, W. (2021) ‘A continued learning approach for model-informed precision dosing: updating models in clinical practice’, CPT: Pharmacometrics & Systems Pharmacology, 10(4), pp. 311–321.
[6] Yamada, T. (2025) ‘Real-World Big Data Insights for Advancing Therapeutic Drug Monitoring and Clinical Toxicology’, 23rd International Association of Therapeutic Drug Monitoring and Clinical Toxicology (IATDMCT) Conference. Grand Copthorne Waterfront Hotel, Singapore, 21–24 September.
[7] Pai Mangalore, R., Peel, T.N., Udy, A.A. and Peleg, A.Y. (2023) ‘The clinical application of beta-lactam antibiotic therapeutic drug monitoring in the critical care setting’, Journal of Antimicrobial Chemotherapy, 78(10), pp. 2395–2405. ดูได้ที่: https://doi.org/10.1093/jac/dkad223 (เข้าถึงเมื่อ: 26 มกราคม 2569).
[8] Legg, A. (2025) ‘TDM research in the digital age?’, 23rd International Association of Therapeutic Drug Monitoring and Clinical Toxicology (IATDMCT) Conference. Grand Copthorne Waterfront Hotel, Singapore, 21–24 September.
