Định liều kỹ thuật số và tương lai của giám sát nồng độ thuốc trong điều trị: Những góc nhìn từ Hội nghị quốc tế IATDMCT lần thứ 23

Khi đề cập đến điều trị, thách thức lâm sàng cốt lõi thường được gói gọn trong một câu hỏi mang tính quyết định: liều lượng thuốc bao nhiêu là đủ, và thời gian điều trị nên kéo dài bao lâu? Trong suốt một thời gian dài, khát vọng hướng tới y học cá thể hóa thực thụ đã bị kìm hãm bởi những hạn chế của phương pháp định liều tĩnh, rập khuôn (‘một kích cỡ cho tất cả’) và các mô hình dược động học (PK) lỗi thời – một hệ thống cứng nhắc không đủ khả năng đáp ứng cho các loại thuốc tiên tiến như liệu pháp sinh học hay các hợp chất mới có hoạt tính mạnh.  Nhưng điều gì sẽ xảy ra nếu những công cụ kỹ thuật số chuyển đổi ngành công nghiệp của chúng ta có thể cho bạn thêm thời gian? Sự tích hợp các công nghệ kỹ thuật số hiện đại có thể thay đổi căn bản cục diện này, chuyển đổi giám sát nồng độ thuốc trong điều trị (TDM) từ một công cụ đo lường mang tính đối phó thành một chiến lược lâm sàng chủ động và có tính dự báo. Chuyển đổi kỹ thuật số này cung cấp cho các bác sĩ lâm sàng khả năng ra quyết định hiệu quả, chính xác, đồng thời cho phép các phòng xét nghiệm và bệnh viện đạt được kết quả tốt hơn, giảm chi phí và cải thiện trải nghiệm của bệnh nhân [1, 2]. Tính khả thi của tầm nhìn này là một trong những chủ đề trọng tâm tại hội nghị quốc tế lần thứ 23 của Hiệp hội giám sát thuốc điều trị và độc học lâm sàng (IATDMCT) tại Singapore năm ngoái. Diễn ra vào tháng 9 vừa qua, sự kiện đã quy tụ một đội ngũ tinh hoa gồm các chuyên gia hàng đầu và những người tiên phong về chiến lược trong ngành để trình diễn chính xác cách thức vận hành các công cụ này trong thực tiễn.  Nhóm Lab Insights đã ghi nhận những thông tin chuyên sâu quan trọng, rút ra từ bốn bài trình bày chuyên sâu, chứng minh phương pháp tiếp cận nhiều mặt để số hóa TDM và độc chất học lâm sàng, xác nhận vai trò của quá trình số hóa này trong tiến trình hướng tới chăm sóc cá nhân hóa: 

• • Bác sĩ Amy Legg khám phá vai trò chiến lược của trí tuệ nhân tạo (AI) và Big Data trong việc định hình lại nghiên cứu TDM, nhấn mạnh sự cần thiết của các mô hình dự đoán động. Công việc của bà – bắt nguồn từ dược lâm sàng và quản lý sử dụng kháng sinh, đã làm nổi bật tiềm năng của việc lồng ghép nghiên cứu vào hệ thống hồ sơ sức khỏe điện tử (EHR) để giải quyết các vấn đề lâm sàng phức tạp, từ những tương tác thuốc hiếm gặp cho đến dược động học (PK) đặc thù trên từng quần thể bệnh nhân.
• • Bác sĩ Tomoyuki Yamada đã giới thiệu cách việc khai thác các nguồn dữ liệu thực tế (RWD) khổng lồ cung cấp tín hiệu an toàn quan trọng và thúc đẩy các thực hành lâm sàng về độc chất học và theo dõi thuốc. Với vai trò là Dược sĩ trưởng dẫn dắt các nỗ lực cảnh giác dược, các nghiên cứu điển hình của Bác sĩ Yamada – chẳng hạn như đánh giá tương tác giữa daptomycin và statin, hay phân tích hiệu quả của việc giám sát nồng độ thuốc (TDM) tiếp nối nhằm giảm độc tính của vancomycin – đã minh chứng cho những tác động hữu hình của phân tích dữ liệu thực tế (RWD) đối với kết quả điều trị của bệnh nhân.
• • Bác sĩ Dirk Jan Moes đã trình bày chi tiết về việc ứng dụng chiến lược của Phương pháp định liều chính xác dựa trên mô hình (MIPD) đối với các loại thuốc sinh học phức tạp trong ung thư học, đồng thời nhấn mạnh những lợi ích rõ rệt về mặt lâm sàng và tài chính mà các hệ thống kỹ thuật số tích hợp mang lại. Là phó giáo sư dược lý lâm sàng, Bác sĩ Moes tập trung vào cách các chiến lược MIPD có thể cá nhân hóa việc định liều cho các sinh phẩm cụ thể – bao gồm Daratumab và Nivolumab – để giảm cả độc tính tài chính và lâm sàng.
• • Bác sĩ Tomoyuki Mizuno đã mô tả cách sử dụng các công nghệ tiên tiến như học máy (ML) và các bảng điều khiển để hỗ trợ ra quyết định tích hợp để thúc đẩy định liều siêu chính xác, đặc biệt là trong môi trường chăm sóc bệnh nhân nhi đầy thách thức. Bs. Mizuno, người chỉ đạo Trung tâm Ưu tú về Dược lượng học, đã tập trung vào việc nâng cấp khung mô hình MIPD bằng cách sử dụng học máy để giải quyết những phức tạp đặc thù trong việc định liều cho trẻ em, từ đó cung cấp cho các bác sĩ lâm sàng những công cụ sáng tạo ngay tại giường bệnh.

Cùng nhau, các chuyên gia đã làm sáng tỏ những trụ cột kỹ thuật số thiết yếu – những nhân tố sẽ định hình thế hệ giá trị chẩn đoán và chăm sóc bệnh nhân tiếp theo.

Phương pháp định liều chính xác dựa trên mô hình (MIPD) làm nền tảng cơ bản

Không có hai cơ thể nào hoàn toàn giống hệt nhau, và luôn tồn tại một nhu cầu lâm sàng đối với việc cá nhân hóa điều trị. “Cơ thể chúng ta không giống như một bể cá đồng nhất. Thuốc được phân bổ theo những cách hoàn toàn khác nhau,” Giáo sư Andrea Kwa từ Bệnh viện Đa khoa Singapore đã nhấn mạnh trong bài phát biểu chính của mình. Mục tiêu của định liều chính xác là xác định phác đồ liều lượng tối ưu nhất và phác đồ đó sẽ cung cấp hiệu quả cần thiết với mức độc tính tối thiểu cho từng bệnh nhân [1]. MIPD đã nổi lên như một khuôn khổ định lượng thiết yếu để đạt được mục tiêu này. Phương pháp này sử dụng các mô hình dược động học/dược lực học (PK/PD) tinh vi để tích hợp và sử dụng thông tin cụ thể của bệnh nhân và các quan sát lâm sàng, cá nhân hóa liều lượng ở nhiều bước trong suốt quá trình điều trị bằng thuốc. Phương pháp này có chức năng như một chu kỳ dự đoán, xác nhận, học hỏi và áp dụng:

• • Dự đoán (điều chỉnh liều trước): Dữ liệu bệnh nhân tại thời điểm nền tảng – chẳng hạn như trọng lượng, tuổi, đặc điểm di truyền và chức năng cơ quan – được thu thập dưới dạng đồng biến để thông báo cho mô hình và thiết kế liều khởi đầu ban đầu. Bác sĩ Moes gọi bước đầu tiên quan trọng này là “thích ứng liều lượng trước” [2].
  • Xác nhận và sàng lọc: Để kiểm soát sự biến thiên cao giữa các bệnh nhân, dữ liệu quan sát được (ví dụ: đo nồng độ thuốc và dấu ấn sinh học PD) được sử dụng làm phản hồi Bayes để cập nhật mô hình, cho phép mô hình phản ánh việc xử lý và kiểu hình thuốc thực tế của bệnh nhân. [2] Quá trình lặp lại này cho phép thu thập dấu ấn sinh học sau khi tinh chế liều lượng cần thiết, điều này đặc biệt quan trọng khi quản lý các loại thuốc phức tạp hơn như sinh học trong ung thư máu, trong đó Bác sĩ Moes nhấn mạnh tầm quan trọng của hiệu quả và độ an toàn cho các quần thể bệnh nhân đầy thách thức. [2]

Do đó, yếu tố hỗ trợ chính cho việc sử dụng hiệu quả MIPD đòi hỏi cơ sở hạ tầng lâm sàng mạnh mẽ, các xét nghiệm trong phòng thí nghiệm đáng tin cậy (ví dụ: Sắc ký lỏng-Khối phổ để ghép kênh nhiều kháng thể) và, quan trọng là tích hợp EHR và hệ thống thông tin phòng thí nghiệm (LIS) trực tiếp vào công cụ định liều [1]. Một ví dụ điển hình cho vế sau chính là chương trình mang tên RoadMAB – một phần mềm vận hành định liều được phát triển bởi Bác sĩ Mizuno và đội ngũ của ông tại Trung tâm Y tế Bệnh viện Nhi Cincinnati (CCHMC) [3, 4]. Công cụ này được thiết kế đặc biệt để được tích hợp vào các EHR để tự động hiệu chỉnh dữ liệu bệnh nhân cần thiết để phân tích, đóng hiệu quả vòng lặp kỹ thuật số giữa dữ liệu, chẩn đoán và quyết định.  

Sức mạnh của dữ liệu thực tế (RWD) và phân tích dữ liệu lớn

Trong khi MIPD cung cấp khung định lượng quan trọng cho quá trình định liều cá nhân hóa, sức mạnh thực sự của phương pháp kỹ thuật số này được hiện thực hóa khi các mô hình dự đoán của nó liên tục được tinh chỉnh bởi các bằng chứng thực tế. Đây là lúc RWD và phân tích dữ liệu lớn trở thành công cụ không thể thiếu để thúc đẩy cả TDM và nghiên cứu độc tính lâm sàng [5].  Sức mạnh của RWD nằm ở khả năng thu thập trên phạm vi rộng lớn. RWD có nguồn gốc từ các cơ sở dữ liệu báo cáo tự phát, dữ liệu yêu cầu bồi thường bảo hiểm và hồ sơ sức khỏe điện tử (EHR), mang lại những góc nhìn bổ trợ quan trọng cho việc phát hiện các biến cố bất lợi và đánh giá các mô hình thực hành lâm sàng hiện tại [6]. Tập dữ liệu khổng lồ và phức tạp này là yếu tố thiết yếu để thiết lập các giả thuyết nghiên cứu: các tập dữ liệu thực tế quan sát quy mô lớn – chẳng hạn như hệ thống đăng ký BLUeY về giám sát nồng độ thuốc (TDM) kháng sinh nhóm beta-lactam được Bác sĩ Legg trích dẫn [5] – cho phép học máy nhận diện sớm các tín hiệu mang tính gợi mở giả thuyết. Những tín hiệu này thường bị bỏ lỡ trong các nghiên cứu truyền thống quy mô nhỏ do các kết quả hiếm gặp hoặc sự biến thiên phức tạp giữa các bệnh nhân [8].  Quan trọng hơn, dữ liệu này có khả năng chuyển trực tiếp sang tác động lâm sàng có thể chứng minh được. Phân tích dữ liệu yêu cầu bồi thường bảo hiểm, ví dụ, đã chỉ ra rằng TDM theo dõi phù hợp có thể làm giảm đáng kể tỷ lệ độc tính do thuốc gây ra, với một nghiên cứu lưu ý rằng phương pháp này làm giảm tỷ lệ nhiễm độc thận do vancomycin gây ra từ 60,9% đến 9,9%, như được chia sẻ bởi Bác sĩ Yamada [6]. 

AI và máy học (ML) hỗ trợ ra quyết định cho thế hệ tiếp theo

Khả năng tạo ra các giả thuyết và xác nhận các mô hình thực hành bằng cách sử dụng RWD tạo ra nhu cầu sống còn cho các công cụ phân tích tinh vi có khả năng xử lý các bộ dữ liệu lớn, phức tạp như vậy. Chính nhờ sức mạnh tính toán tiên tiến của AI và ML, các phòng thí nghiệm chẩn đoán và các nhóm lâm sàng có thể chuyển đổi lượng dữ liệu khổng lồ này thành thông tin chuyên sâu về liều lượng dự đoán, có thể triển khai và cá nhân hóa.

• • Mô hình động: AI đóng vai trò quan trọng trong việc xử lý các kích thước mẫu lớn và các biến số gây nhiễu cần thiết để phát triển các mô hình PK (PopPK) quần thể phức tạp và năng động hơn – những mô hình có thể điều chỉnh theo các thông số lâm sàng thay đổi theo thời gian của bệnh nhân, như được Bác sĩ Legg nhấn mạnh [8].
  • Mô hình lai: Bác sĩ Mizuno cũng nhấn mạnh rằng những phương pháp hứa hẹn nhất hiện nay là những phương pháp vượt xa khỏi các công nghệ đơn lẻ, rời rạc. Mô hình này bao gồm kết hợp tính khả thi lâm sàng của ước tính Bayes thông thường với ML (ví dụ, sử dụng mô hình XGBoost) để sửa lỗi dự đoán. Quá trình này tạo ra các mô hình lai mạnh mẽ, luôn vượt trội hơn các phương pháp PopPK thông thường [3].
  • Tự động hóa và tác nhân AI: Nhìn về phía trước, các hệ thống trong tương lai đang sử dụng phương pháp học tăng cường để tạo ra các tác nhân AI có thể tự động thu thập dữ liệu bệnh nhân, đánh giá các lựa chọn điều trị và đề xuất các phác đồ và khoảng thời gian dùng thuốc. Bác sĩ Mizuno cũng đã nhấn mạnh rằng sự tiến bộ này sẽ đơn giản hóa toàn bộ quá trình dùng thuốc và cải thiện hiệu quả trong việc ra quyết định của con người [3].

Giá trị chiến lược và lợi tức đầu tư (ROI) cho lãnh đạo chẩn đoán

Nhìn chung, việc tích hợp các khung MIPD, RWD và AI dự báo không chỉ là một khái niệm học thuật; nó đại diện cho một sự thay đổi cơ bản trong việc xác nhận giá trị của chẩn đoán. Đối với lãnh đạo phòng xét nghiệm và bệnh viện, sự hội tụ này chuyển trực tiếp thành các lợi ích định lượng ảnh hưởng đến cả lợi ích tài chính của bệnh nhân và của tổ chức.

A) Nâng cao độ an toàn và kết quả lâm sàng cho bệnh nhân

Lợi ích chính của chuyển đổi kỹ thuật số là nâng cao các dịch vụ chẩn đoán từ báo cáo thụ động đến hướng dẫn cá nhân hóa, chủ động, từ đó chăm sóc bệnh nhân tốt hơn:

• • Độ chính xác và chuẩn xác: Thuật toán AI mang lại khả năng dự báo ở mức độ mà trước đây chưa từng đạt được. Ví dụ, các công cụ AI đã chứng minh khả năng dự báo các giá trị lâm sàng chính, chẳng hạn như tỷ số chuẩn hóa quốc tế (INR) vào ngày thứ năm khi sử dụng warfarin, với độ chính xác có thể tương đương hoặc thậm chí vượt trội hơn so với các chuyên gia y tế [8]. Khả năng dự báo này giúp giảm thiểu sự chậm trễ nguy hiểm trong điều trị tối ưu.
  • Can thiệp chủ động: Bằng cách liên kết các mô hình dự đoán với quy trình làm việc lâm sàng, các bảng điều khiển hỗ trợ quyết định kỹ thuật số cho phép các bác sĩ lâm sàng nhận được khuyến nghị liều ngay lập tức có hướng dẫn bởi PK. Theo Bác sĩ Mizuno, việc này tạo điều kiện thuận lợi cho việc can thiệp chủ động, hỗ trợ kết quả điều trị tốt hơn bằng cách đảm bảo bệnh nhân đạt được và duy trì các mục tiêu điều trị nhanh hơn, do đó giảm tỷ lệ mắc bệnh và ở lại bệnh viện [3]. 

B) Hiệu quả hoạt động và giảm độc tính tài chính

Digital TDM hoạt động như một đòn bẩy mạnh mẽ để kiểm soát chi phí, đặc biệt liên quan đến các loại thuốc đặc biệt đắt tiền, biến giám sát thuốc thành nguồn lợi nhuận tài chính hữu hình:

• • Kiểm soát chi phí: Việc tối ưu hóa định liều trực tiếp giải quyết vấn đề chi phí cao của các liệu pháp đắt tiền bằng cách giảm thiểu sự lãng phí thuốc và mức độ tiếp xúc thuốc không cần thiết. Bằng cách đảm bảo mọi liều lượng là chính xác nhất có thể, các bệnh viện có thể giảm thiểu đáng kể thách thức ngày càng tăng về độc tính tài chính liên quan đến các phương pháp điều trị tiên tiến [2].
  • ROI có thể định lượng được: Việc sử dụng chiến lược các mô hình PK/PD và điều chỉnh liều lượng giả lập đã mang lại hiệu quả tiết kiệm chi phí đáng kể và có thể đo lường được:
    • • Giảm thiểu lãng phí thuốc: Trong việc điều chỉnh liều lượng cho một số loại thuốc liên hợp kháng thể – thuốc (ADCs), chiến lược hướng tới việc chỉ sử dụng các lọ thuốc nguyên vẹn đã giúp giảm khoảng 25% chi phí tiền thuốc [2]. 
      • Khoảng thời gian kéo dài: Trong cùng một bài thuyết trình của Bác sĩ Moes, tối ưu hóa liều lượng dựa trên mô hình cũng có thể giúp bệnh nhân điều trị thuận tiện hơn và đồng thời giảm chi phí. Việc xây dựng các khoảng cách định liều phụ thuộc vào trọng lượng cơ thể đối với các thuốc ức chế điểm kiểm soát miễn dịch tiêm dưới da (ví dụ: nivolumab) đã được chứng minh là giúp tiết kiệm hơn 30% chi phí thuốc hàng năm, trong khi vẫn duy trì nghiêm ngặt các tiêu chí về hiệu quả lâm sàng [2].

C) Thúc đẩy quá trình chẩn đoán liên tục

Chuyển đổi kỹ thuật số về cơ bản thay đổi vị trí của phòng xét nghiệm trong phạm vi sự chăm sóc liên tục – đây không còn là nhà cung cấp dịch vụ mà là đối tác chiến lược trong lĩnh vực trị liệu:

• • Tích hợp EHR: Phát triển các công cụ như phần mềm RoadMAB, tích hợp MIPD và ML trực tiếp vào EHR, tự động hóa việc hiệu chỉnh dữ liệu bệnh nhân cần thiết và đơn giản hóa phân tích cho bác sĩ lâm sàng [3, 4]. Đổi mới này chuyển đề xuất giá trị chẩn đoán từ kết quả phòng xét nghiệm tĩnh sang khuyến nghị điều trị cuối cùng, có thể triển khai.
  • Các xét nghiệm và ghép kênh mới: Việc đầu tư chiến lược vào các xét nghiệm thế hệ mới, chẳng hạn như kỹ thuật LC-MS theo lưu ý của Bác sĩ Moes, cho phép đo lường đồng thời nồng độ của nhiều loại thuốc hoặc kháng thể khác nhau chỉ trong một mẫu bệnh phẩm duy nhất của bệnh nhân [2]. Điều này giúp tăng cường danh mục dịch vụ của phòng xét nghiệm, tăng hiệu quả và hỗ trợ các nhu cầu phức tạp của giám sát sinh học. 

Những hiệu quả này nhấn mạnh một sự thay đổi mô hình quan trọng: chuyển đổi kỹ thuật số trong TDM hoạt động như một bộ tạo giá trị, mang lại lợi tức đầu tư (ROI) rõ ràng và đáng kể thay vì chỉ phát sinh chi phí.

Lộ trình chuyển đổi: lời kêu gọi hành động vì sự lãnh đạo

Để hiện thực hóa mức ROI đáng kể này và duy trì một chu trình chẩn đoán tiên tiến, cần có một chiến lược chủ động và có tầm nhìn xa, nhằm giải quyết đồng thời cả mức độ sẵn sàng của tổ chức lẫn quản trị kỹ thuật. Đối với cấp lãnh đạo phòng thí nghiệm và bệnh viện, con đường hướng tới không chỉ là áp dụng công nghệ mà còn là thúc đẩy thay đổi thể chế. Để có thể đạt được điều này, cần có một tập hợp hành động rõ ràng:

• • Hợp tác liên ngành: Đạt được tầm nhìn toàn diện về chăm sóc tích hợp đòi hỏi phải phá vỡ các rào cản ngăn cách truyền thống. Hợp tác hiệu quả là điều cần thiết giữa các bên liên quan chính, bao gồm nhà thuốc lâm sàng, dịch vụ phòng thí nghiệm, Phát triển CNTT / Phần mềm và quản lý bệnh viện, để đảm bảo tích hợp công cụ liền mạch và áp dụng quy trình làm việc [1].
  • Quản trị và kiểm soát chất lượng: Các công nghệ kỹ thuật số, đặc biệt là AI, đòi hỏi quản lý cẩn thận. Lãnh đạo phải ưu tiên chất lượng dữ liệu mạnh mẽ, xác thực bên ngoài nghiêm ngặt và quản trị mạnh mẽ để đảm bảo rằng các mô hình – đặc biệt là những mô hình tận dụng RWD – an toàn và đáng tin cậy cho việc chăm sóc bệnh nhân rộng rãi [8]. Thiết lập các quy trình rõ ràng giúp bảo vệ khỏi các trách nhiệm pháp lý và đảm bảo an toàn cho bệnh nhân.
  • Tập trung đầu tư: Đầu tư trong tương lai nên tập trung vào việc tích hợp hệ thống thay vì mua các công cụ riêng lẻ. Điều này bao gồm tích hợp đầy đủ dược lực học (mô hình PK / PD), các khái niệm tiên tiến như bản sao kỹ thuật số và khả năng AI đã được tinh chỉnh một cách trực tiếp vào các bảng điều khiển hỗ trợ quyết định lâm sàng. Phương pháp này sẽ hiện đại hóa và chuyển đổi hơn nữa TDM, đảm bảo mục tiêu cuối cùng: thuốc phù hợp, đúng liều lượng, đúng thời điểm cho từng bệnh nhân [2, 3].

Cuối cùng, tương lai kỹ thuật số của TDM – như đã được khẳng định bởi những chuyên gia đầu ngành này – chính là sự chính xác đi kèm với mục tiêu. Đây là cơ hội để chẩn đoán trở thành một đối tác tích hợp, năng động trong chăm sóc. Sự chuyển đổi này mang lại cho các nhà lãnh đạo một lợi thế cạnh tranh rõ rệt với những giá trị lợi nhuận có thể đo lường được; nhưng chiến thắng thực sự chính là khả năng nâng tầm một cách căn bản trải nghiệm của con người đối với y học, bằng cách biến sự an toàn cá thể hóa trở thành tiêu chuẩn cốt lõi cho tất cả mọi người.

Tài liệu tham khảo

[1] Mizuno, T., Vinks, A.A., Fukuda, T., Rosenheck, R., Wetterland, L., de Leon, J., Hartman, S., Arnold, L.M. và 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?’, Hội nghị quốc tế lần thứ 23 của Hiệp hội giám sát thuốc điều trị và độc học lâm sàng (IATDMCT). Khách sạn Grand Copthorne Waterfront, Singapore, 21-24 tháng 9.

[3] Mizuno, T. (2025) ‘Leveraging machine learning and decision support dashboard to facilitate precision dosing in pediatric patient care’, Hội nghị quốc tế lần thứ 23 của Hiệp hội giám sát thuốc điều trị và độc học lâm sàng (IATDMCT). Khách sạn Grand Copthorne Waterfront, Singapore, 21-24 tháng 9.

[4] Colman, R.J., Xiong, Y., Mizuno, T., Xie, C., Vinks, A.A., Hyams, J.S., Denson, L.A. và 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. và 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’, Hội nghị quốc tế lần thứ 23 của Hiệp hội giám sát thuốc điều trị và độc học lâm sàng (IATDMCT). Khách sạn Grand Copthorne Waterfront, Singapore, 21-24 tháng 9.

[7] Pai Mangalore, R., Peel, T.N., Udy, A.A. và 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. Có sẵn tại: https://doi.org/10.1093/jac/dkad223 (Truy cập: ngày 26 tháng 1 năm 2026).

[8] Legg, A. (2025) ‘TDM research in the digital age?’, Hội nghị quốc tế lần thứ 23 của Hiệp hội giám sát thuốc điều trị và độc học lâm sàng (IATDMCT). Khách sạn Grand Copthorne Waterfront, Singapore, 21-24 tháng 9.