当涉及到药物时，核心的临床挑战通常可以归结为一个关键的问题：使用多少剂量的药物以及持续多久？ 长期以来，真正实现个体化医疗的愿景受制于静态且一刀切的给药方案以及过时的药代动力学 (PK) 模型：这套僵化体系难以适配生物制剂等更复杂的先进疗法以及强效新分子。 但是，如果改变我们行业的数字工具可以提供更多的时间呢？ 现代数字技术集成可从根本上改变这一动态局面，使治疗药物监测 (TDM) 从“响应性测量“工具转变为主动型预测临床策略。这种数字化转型为临床医生提供了高效、准确的决策能力，同时使实验室和医院实现更佳的临床结局、降低成本，并改善患者体验。[1,2]。 这一愿景的可行性是去年在新加坡举行的第 23 届国际治疗药物监测和临床毒理学协会 (IATDMCT) 会议的中心主题之一。该活动于 9 月举行，召集了一个由业内顶尖专家和战略先锋组成的精英小组，精确展示这些工具如何落地应用。 Lab Insights 团队从四场精彩报告中梳理出关键要点，呈现了 TDM 与临床毒理学数字化的多维路径，并进一步印证其在迈向个体化照护中的价值。其中：
-
- Amy Legg 博士探索了人工智能 (AI) 和大数据在重塑 TDM 研究中的战略作用，强调了对动态预测模型的需求。她的工作植根于临床药学和抗菌管理，突出了将研究嵌入数字电子健康记录 (EHR) 系统的潜力，以解决罕见的药物相互作用到群体特异性 PK 中的复杂临床问题。
-
- Tomoyuki Yamada 博士展示了如何利用大量真实世界数据来源 (RWD) 提供关键的安全性信号并推进毒理学和药物监测的临床实践。作为领导药物警戒工作的药剂师主管，Yamada 博士的案例研究（例如：评估达托霉素-他汀相互作用和评估随访 TDM 以减少万古霉素毒性）证明了 RWD 分析对患者结果的切实影响。
-
- Dirk Jan Moes 博士详细介绍了肿瘤学中复杂生物制剂的模型引导的精准给药 (MIPD) 的战略应用，强调了集成数字系统的可量化财务和临床益处。作为临床药效学副教授，Moes 博士专注于 MIPD 策略如何使特定生物制剂（包括达雷木单抗和纳武利尤单抗）的给药个体化，以减轻财务困难并减少临床毒性。
-
- Tomoyuki Mizuno 博士展示了机器学习 (ML) 和集成决策支持仪表板的尖端应用，以促进超精密度给药，特别是在具有挑战性的儿科患者护理环境中。Mizuno 博士领导着药物计量学卓越中心，专注于使用 ML 来增强 MIPD 框架，以解决儿童给药的独特复杂性，为临床医生提供创新的床边工具。
这些专家共同阐明了界定下一代诊断价值和患者护理的基本数字支柱。
模型引导的精准给药 (MIPD) 作为基础平台
每个人的身体状况都不尽相同，临床上需要个体化。新加坡总医院的 Andrea Kwa 教授在主旨发言中强调：“我们的身体不是一个均匀的“鱼缸”。药物在体内的分布并不相同。”精准给药的目标是确定最优化的给药方案，该方案将在每个个体患者中提供所需的功效和最小的毒性[1]。MIPD 已成为实现这一目标的关键定量框架。它利用复杂的药代动力学/药效学 (PK/PD) 模型来整合和采用患者特定的信息和临床观察，在整个药物疗法中在多个步骤中实现个体化给药。 这种方法起到预测、确认、学习和应用周期的作用：
-
- 预测（前期剂量调整）：收集基线患者数据（例如：体重、年龄、基因组成和器官功能）作为协变量输入模型，以设计初始起始剂量。Moes 博士将这一关键的第一步称为“前期剂量调整”[2]。
- 确认与优化：为应对患者间高度变异，可将观测数据（例如：药物浓度监测结果与 PD 生物标志物）作为贝叶斯反馈用于更新模型，使其更贴近患者真实的药物处置特征与表型。[2] 这一迭代过程支持在采集生物标志物后进行必要的剂量优化，尤其适用于血液肿瘤领域的生物制剂等更复杂药物；Moes 博士强调，对治疗难度较高的人群而言，疗效与安全性同等关键。[2]
因此，要有效落地 MIPD，必须具备稳健的临床基础设施、可靠的实验室检测方法（例如用于多抗体多重检测的液相色谱-质谱），并且关键是将电子病历 (EHR) 与实验室信息系统 (LIS) 直接集成到剂量决策工具中。[1]后者的例子是名为 RoadMAB 的项目：由辛辛那提儿童医院医疗中心 (CCHMC) Mizuno 医生团队开发的临床运行型剂量决策软件 [3, 4]。 该工具专为与 EHR 集成而设计，可自动提取分析所需的患者数据，从而在数据、诊断与决策之间形成数字化闭环。
真实世界数据 (RWD) 和大数据分析的力量
虽然 MIPD 为个体化给药提供了关键的定量框架，但通过真实世界证据不断细化其预测模型，这种数字方法的真正力量得以实现。这就是 RWD 和大数据分析成为推进 TDM 和临床毒理学不可或缺的工具的应用所在[5]。 RWD 的优势在于其广泛的收集能力。RWD 来源于自发报告数据库、理赔数据库和 EHR，为检测不良事件和评估当前临床实践模式提供了至关重要的补充见解 [6]。这一庞大而复杂的数据集对生成假设至关重要。以 Legg 博士 [5] 提到的用于 β-内酰胺类药物 TDM 的 BLUeY 登记系统为例，大规模观察性 RWD 使机器学习能够识别用于生成假设的早期信号；这些信号往往因结局罕见或患者差异复杂而在小规模传统研究中被忽略 [8]。 更关键的是，该数据直接转化为可证明的临床影响。例如，对索赔数据的分析表明，一致的随访 TDM 可显著降低药物诱发毒性的发生率。据 Yamada 博士分享，一项研究表明，这种方法将万古霉素诱发的肾毒性发生率从 60.9% 降低到 9.9% [6]。
用于下一代决策支持的 AI 和机器学习 (ML)
使用 RWD 生成假设和验证实践模式的能力对能够处理此类大量、复杂数据集的复杂分析工具产生了重要需求。诊断实验室和临床团队借助 AI 和 ML 的先进计算能力，可以将这一海量数据转化为预测、可操作和个性化的给药见解。
-
- 动态建模：AI 对于处理大样品量和混杂变量至关重要，这是开发更复杂和动态的群体PK (PopPK) 模型的必需要素，正如 Legg 博士所强调的内容，这些模型可以适应患者随时间推移不断变化的临床参数[8]。
- 混合模型：Mizuno博士还强调最有前景的路径是超越各自为政的技术孤岛。这涉及将传统贝叶斯估计在临床上的可信性与 ML（如 XGBoost）结合，用于校正预测偏差。从而形成稳健的混合模型，在多种情境下均能稳定优于传统 PopPK 方法[3]。
- 自动化与智能体 AI：展望未来，系统将利用强化学习构建 AI 智能体，使其能够自动采集患者数据、评估治疗方案，并提出给药方案与给药间隔建议。Mizuno 博士还强调，这一进步简化了整个给药过程，并提高了人类决策水平[3]。
诊断领域领导层的战略价值和投资回报 (ROI)
总之，MIPD 框架、RWD 和预测 AI 的集成不仅仅是一个学术概念；它代表了诊断学价值主张的根本转变。对于实验室和医院领导层，这种融合直接转化为可量化的收益，既改善患者的负担，也提升机构的盈亏总额。
A)增强患者安全和临床结局
数字化转型的主要益处是其能够将诊断服务从被动报告提升到主动、个性化的指导，从而改善患者护理：
-
- 精度和准确度：AI 算法带来了过去难以实现的预测能力。例如，AI 工具能够预测华法林治疗中用药第 5 天的国际标准化比率 (INR)，其准确性可与人类专家相当，甚至略有优势 [8]。这种预测能力有助于尽可能减少达到最佳治疗方案的延误。
- 主动干预：通过将预测模型与临床工作流程相关联，数字决策支持仪表板助力临床医生即时获得基于 PK 的剂量建议。Mizuno 博士认为，这有助于积极干预，通过确保患者更快地实现和维持治疗目标，支持更好的治疗结果，从而降低发病率并缩短住院时长 [3]。
B) 提升运营效率和降低经济负担
数字化 TDM 是成本控制的强大杠杆，特别是在昂贵的特种药物方面，将药物监测转化为有形财务回报的来源：
-
- 成本控制：通过最大限度地减少药物浪费和暴露量，优化给药直接解决了昂贵治疗的高成本。通过确保每次给药尽可能精确，医院可以显著减轻先进治疗带来的不断增长的经济负担挑战 [2]。
- 可量化的 ROI：策略性地使用 PK/PD 模型并通过计算机模拟进行剂量调整实现了显著、可衡量的成本节约：
-
- 药物浪费减少：在某些抗体-药物缀合物 (ADC) 的剂量调整中，以“整瓶用药”为目标的策略，可使药品支出预计降低约 25% [2]。
- 延长间隔：在 Moes 博士的同一报告中，模型指导的剂量优化还可以同时提高患者便利性并降低成本。为皮下给药的免疫检查点抑制剂（例如：纳武利尤单抗）制定基于体重的给药间隔，在满足严格临床疗效标准的前提下，据报道可节省每年 30% 以上的药品费用 [2]。
-
C) 推进诊疗连续体中的诊断
数字化转型从根本上改变了实验室在护理连续体中的地位：它不再仅仅是一家服务提供商，而是治疗领域的战略合作伙伴：
-
- EHR 集成：开发工具（例如：RoadMAB 软件）将 MIPD 和 ML 直接集成到 EHR 中，可自动纠正必要的患者数据，并为临床医生简化分析流程 [3, 4]。这一创新将诊断价值主张从静态化验结果转变为可直接执行的治疗建议。
- 新测定法和多重检测：对下一代测定技术（例如 Moes 博士提到的LCMS）进行战略投资，可在同一份患者样本中同时测定多种药物浓度或抗体 [2]。这增强了实验室的服务组合能力，提高了效率，并支持生物制品监测的复杂需求。
以上的效率提升凸显了关键范式转变：TDM 的数字化转型不再只是成本负担，而是能够创造价值、带来清晰且可观投资回报 (ROI) 的价值引擎。
转型路线图：对领导层的行动号召
实现这一重大投资回报和维持高级诊断连续体需要深思熟虑的前瞻性战略，以解决组织准备和技术治理两方面的问题。对于实验室和医院的领导者来说，前进的道路不仅关乎采用技术，还关乎推动制度变革。要实现这一目标，需要采取一系列明确的行动：
-
- 跨学科合作：要实现整合式照护的整体愿景，必须打破传统的壁垒。为确保工具无缝集成并被工作流程真正采纳，临床药学、实验室服务、IT/软件开发与医院管理等关键相关方需要开展高效协作 [1]。
- 治理和质量控制：数字技术（尤其是 AI），需要审慎管理。领导层必须优先考虑稳健的数据质量、严格的外部验证和强大的治理，以确保模型（特别是利用 RWD 的模型）对于众多患者护理的安全可信 [8]。制定明确的规程可防范责任并确保患者安全。
- 投资重点：未来的投资应侧重于集成系统，而不是购买孤立的工具。这包括将完整的药效学 (PK/PD) 模型、数字孪生等先进理念，以及更成熟的 AI 能力，直接集成到临床决策支持看板中。这种方法将进一步现代化和转变 TDM，确保实现最终目标：为每位患者在正确的时间使用正确的药物，并给予正确的剂量 [2, 3]。
归根结底，正如这些行业领袖所证实的言论，TDM 的数字未来精准且具有明确目标。这是诊断学成为主动且综合医疗保健合作伙伴的机会。这种转型能为领导层带来清晰的竞争优势与可衡量的回报，但更重要的是：通过让个体化用药安全成为基本标准，真正提升患者与医护在医疗过程中的体验。
参考
[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. Available at: https://doi.org/10.1093/jac/dkad223 (Accessed: January 26, 2026).
[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.
