综述 NAT REV MICROBIOL：优化抗菌剂的使用：挑战、进展和机遇（下）星空体育官方网站

发布时间：2024-06-03 10:47:51

　　综述 NAT REV MICROBIOL：优化抗菌剂的使用：挑战、进展和机遇（下）

　　最佳的抗菌剂剂量提供足够的药物，以实现临床反应，同时最大限度地减少毒性和耐药性的发展。

　　最佳的抗菌剂剂量提供足够的药物，以实现临床反应，同时最大限度地减少毒性和耐药性的发展。例如，由于并发症或其他药物，药代动力学

　　，从而影响治疗的成功。虽然目前的抗菌剂剂量优化方法解决了固定的可变性，但需要更好的方法来监测和快速调整抗菌剂剂量，以了解个体内部和个体之间发生的剩余可变性并对其作出反应。

　　本综述回顾了目前广泛实施抗菌剂剂量优化所面临的挑战，并提出了新的解决方案，包括基于生物传感系统，实时治疗性药物监测，计算机控制和闭环控制系统。精确的抗菌剂剂量有望改善患者预后，对抗菌剂管理和耐药性的预防非常重要

　　目前有几种优化抗菌剂剂量的方法正在使用（表2）。一种常见的方法是药代动力学剂量列线图（nomogram），它是根据相关药物的药代动力学模型开发的。列线图描述了协变量（如体重）对达到药物暴露目标（如浓度）的影响。例如，一项研究报道了一种剂量谱图的发展，用于指导肾功能变化患者持续输注美罗培南的剂量。使用列线图成功地实现了最佳药代动力学药效学靶点（设置为8 mghl-1，为MIC断点的4倍）。而目前已开发并应用了各种抗菌剂的剂量列线图，包括β-内酰胺类、糖肽类以及连续和间歇给药的氨基糖苷类药物。列线图的好处在于其简单，可以与常规TDM结合，并且作为一种将人群药代动力学模型确定的重要变量转化为临床实践的简单方法。但是，列线图使用种群水平估计，基于单变量进行剂量优化，其所依赖的协变量（如体重或身高）在实际中并不总是准确的，也不能解释剩余的可变性。因此，列线图并不能提供真正个性化的剂量优化方法。

　　对于抗菌剂的个体化剂量调整，我们依赖于监测使用TDM的单个患者的抗菌剂浓度的能力。TDM通常包括在给药（低谷浓度，a trough concentration）之前采集一个时间点的血浆样本，浓度低谷可以指导随后的剂量。对于万古霉素，在急性护理中，常规TDM常用于剂量优化。设定低谷药浓度的剂量范围（10-15 mg l-1或15-20 mg l-1），然后根据达到的水平是否高于或低于定义的指标范围，进行±500 mg的剂量调整。这种剂量调整方法旨在确保万古霉素达到AUC：MIC靶点的同时避免导致肾毒性的可能性星空体育官方网站。

　　目前的TDM方法在临床实践中有几个障碍（图2）。障碍包括确保药物剂量和采样时间的准确记录，对采样或冻融后药物降解的担忧，要求有可用于进行药物监测的验证分析，可能需要测量非结合血浆药物，由于实验室设施不在场而导致返回结果的延迟，以及当个体内药代动力学存在相当大的差异时，难以解释延迟的结果。此外，在实施TDM时，剂量调整通常是通过向上或向下四舍五入（例如，增加500 mg），这意味着不能提供真正的个性化治疗。单时间点低谷浓度（Single time-point trough concentrations）是一种有用的临床测量方法，但可能并不总是与更密切的药物暴露指标相关，比如AUC。在配药软件的支持下，使用药代动力学-药物动力学靶点引导给药有助于减少肾毒性，缩短治疗时间，并有助于改善使用常规TDM或AUC靶向治疗的患者的TDM。先进的TDM，包括AUC靶向方法，需要在给药间隔期间采集多个血浆样本（≥2个样本），经常得到已在其他地方广泛审查的剂量优化软件的支持。常用的方法包括贝叶斯预测，它使用个体患者数据和模型导出的群体先验概率来估计个体药代动力学参数，随后使用这些单独的参数来确定剂量调整，以确保达到最佳的药代动力学指标。而为了支持先进的TDM，近患者质谱和较新的光学传感技术，如表面增强拉曼光谱，已被用于改善样品分析的周转期。

　　尽管贝叶斯预测（Bayesian forecasting）和先进的TDM有待开发的好处，但也有许多挑战和潜在的限制。软件可能很难使用或需要专业的技术/技能来说明。在剂量优化软件中使用的许多人群药代动力学模型都是基于小的目标人群开发的，尚未对大的、多样化的群体进行验证。最后，尽管剂量优化软件为单个抗菌剂提供了建议，但它往往没有考虑到药物相互作用、患者共病和联合治疗。更广泛采用抗菌剂优化的另一个挑战是，未能将优化策略纳入监管部门对现有和新的抗菌剂的审批和许可。尽管有证据表明，当应用剂量优化时，效果更好、毒性和潜在的耐药性出现更少，但剂量调整的争议依然在于没有提交给监管官方部门。因此，大多数剂量调整都是未经许可的。对于已经获得许可的药物，人们几乎没有兴趣寻求新的授权和批准。对于正在获得许可的新药，仍然需要就应对这一挑战的框架达成协议。

　　图2 实施抗菌剂治疗性药物监测的障碍。治疗性药物监测（therapeutic drug monitoring，TDM）的过程以及目前在临床实践中更广泛实施和采用的障碍。TDM是一个复杂的过程，需要适当的采样时间，将样本运送到实验室，处理，然后使用高效液相色谱等方法进行分析。然后必须报告分析结果，由临床医生审查并在临床环境中进行解释。目前，剂量调整通常是根据人口一级的数据进行的，这意味着没有进行真正个性化的剂量调整。该过程中的每一步都可能阻碍TDM在临床实践中的广泛实施。主要的障碍包括商业上可获得的抗菌剂检测方法很少，无法对非结合抗菌剂的浓度进行常规分析，报告结果的延误削弱了其临床用途，以及缺乏解释结果的专业知识。

　　应用生物传感器技术支持TDM的发展，从而剂量优化，为解决实施中的一些障碍提供可能的解决方案。生物传感器提供了一种检测和定量底物或分析物的方法，这通常在原位或体外使用最小程度预处理的生物液体连续发生。生物传感器因其在医药、农业和环境方面的应用而受到广泛的评价。它们通常可以小型化，促进便携式、易于使用的即时护理设备的发展，不需要昂贵的分析机械、实验室或技术能力来操作。这意味着生物传感器可以作为护理点、单时间点分析或用于促进实时抗菌剂监测的设备的一部分来支持TDM。

　　电化学生物传感器（Electrochemical biosensors）将生物反应转化为可量化和可处理的信号，可应用于多种样品，包括体液、细胞、食品和环境材料。分子识别的方法各不相同，但根据识别分子与底物相互作用的性质可分为2大类：由酶反应驱动的生物催化传感器（biocatalytic sensors），以及利用适体或抗体传感的生物亲和传感器（bio-affinity sensors），涉及受体和底物的结合。同时，电化学生物传感器也可通过使用核酸适配体、抗体连接和基于酶的分子识别方法来检测环境、农业和人类中的抗菌剂。基于适配体的生物传感器的发展是生物传感器技术的一个重要进展。适配体是对目标分子具有高度特异性的核酸序列。基于核酸适配体的生物传感器（Aptamer-based biosensors）通过一个被称为配体指数富集系统进化（systematic evolution of ligands by exponential enrichment，SELEX）的体外选择过程来监测抗菌剂，目前已经被广泛地应用于各种药物，还得到了广泛的评价。它们对检测皮摩尔范围内的分子具有很高的灵敏度。当靶点结合时，适配体的结构发生构象变化（图3），这可以通过连接信号分子（例如亚甲基蓝）到适配体上检测到。当底物与适配体结合时，会发生构象变化，导致传感器界面氧化还原速率的变化（氧化还原反应，redox reaction）。

　　实时监测有助于响应残留抗菌剂动力学变化，并促进优化给药。实时抗菌检测要求传感器设备直接在体内使用，这揭示了一系列的技术挑战。这些挑战与定点护理、快速诊断测试的发展相比是巨大的。虽然传感器植入的挑战是广泛的，许多来自于异物对传感器的反应。克服所有这些挑战没有“灵丹妙药

　　”，但是关于材料选择、电极材料和吸附生物膜的表征等问题的知识正在不断增加。最近有几篇评论研究了这些挑战和潜在的技术解决方案。

　　尽管生物传感器在体内的测量无疑是困难的，但我们应注意目前的技术没有一种是完全非侵入性的。

　　-ATP酶。在体内使用生物传感器会使传感器暴露于污染和生物污垢、电气干扰和机械伪物，以及患者对设备的潜在低接受度。连续或几乎连续的样品制备可以提供重要的生物学或临床信息，如最近显示的促黄体激素振荡

　　种最先进的方法是直接在血液中进行侵入性监测和通过可穿戴传感器进行微创性检测，如基于微针的技术。

　　在清醒的大鼠中，将基于核酸适配体的生物传感器插入中心静脉系统，解释了侵入式监测氨基糖苷浓度的概念。传感器提供了快速，实时监测一种氨基糖苷类抗生素——卡那霉素，具有高灵敏度和特异性。同时，学者也报道了血液生物污染的挑战，需要开发一种保护传感器的过滤器。中心静脉抗生素生物传感

　　（central venous antibiotic biosensing）

　　还存在其他必须考虑的潜在限制，包括需要插入中心静脉导管，这将限制该设备在重症监护中的使用。实时抗菌剂监测的另一种方法是基于微针的可穿戴技术（图4）。由于异物反应是大多数体内测量问题的原因，将其植入皮肤，反应性较低，展现了重要的优势。

　　在小分子和大量大肽和蛋白质方面与血浆成分相似，但白蛋白（传感器失效的一个重要原因）占血浆浓度的

　　。血管的缺失进一步减少了传感器污染，降低了并发症的风险，如感染或出血，并提高了患者的可接受性。这类技术有潜力克服抗微生物

　　（solid microneedle array biosensors）

　　可为酶检测青霉素提供准确的ISF青霉素浓度实时测量。不仅在ISF中测量绕过了中心静脉通路所带来的挑战，还将该技术应用于一系列临床场景，包括门诊和儿科。然而，这项技术的潜在局限性包括传感器被β-内酰胺酶抑制剂抑制，以及需要更广泛的表征不同室的ISF药代动力学，而不包括目前可以测量的。将实时药物监测与抗菌剂给药的自动控制（闭环控制）连接起来，开辟了一系列潜在的临床应用，包括支持更广泛地使用持续输液，以及有能力个体化抗菌剂的时间和交付，以获得理想的药代动力学-药效学指标。此外，虽然目前的酶传感器需要单独校准，但微针可以作为多种替代技术的基础，包括核酸适配体，这为许多无校准方法，

　　如方波伏安法（square wave voltammetry）或计时安培法（chronoamperometry）的使用奠定了基础。

　　随着这些技术的发展和进一步的临床证据的生成，许多潜在的监管和财务障碍仍有待解决。

　　首先，必须定义剂量优化的最佳药代动力学-药效学指标，包括将耐药性的出现纳入可接受的靶点。其次，临床试验数据必须包括疗效和经济效益。最后，这些技术的实施和许可必须与其预期的抗菌靶点直接相关，这将需要行业和监管当局的支持，并证明延长其旨在优化的抗菌疗法的使用带来的经济效益。

　　闭环控制系统广泛应用于临床，包括通过自动胰岛素输送来控制糖尿病患者的血糖、手术期间麻醉的控制和顽固性癫痫的治疗。与闭环控制系统相连接的连续生物传感有潜力提供真正个性化的抗菌治疗。自动给药的闭环系统（图5）基于反馈原理工作，将靶标信号（如靶标药物浓度或药代动力学-药效学靶标）与实时测量（如通过生物传感确定）进行比较。这2个读数之间的差值用于产生纠正控制行动（例如，增加或减少从输液泵输送药物的速率），以减少当前测量值与目标值之间的差值。截至目前，已有3种闭环控制技术成功应用于自动给药的闭环控制技术，并可能在自动连续抗菌治疗中发挥作用，分别是：比例-积分-微分（PID）控制，模型预测控制（MPC）和强化学习。如果反馈或控制行动是间歇给药（例如，每6小时一次），那另一种类型的控制技术（迭代学习控制，重复控制和批次控制）可能被应用。PID控制器是目前工业应用中最流行的控制器，由于其简单的实现和有效性，经常受到青睐。PID控制已经在二氧化硅和清醒的大鼠中被证明能够在预先确定的浓度下，以一个较短的时间给药。

　　与PID控制相比，MPC具有内置的预测能力并基于模型的性质，这意味着它可以预测药物传递的变化对未来指标达成的影响，并对其采取行动。这一特性在处理生物标记物和药物传递的延迟时非常有用。此外，MPC可以处理多个输入和输出变量（例如，感知多个分子和传递多个抗生素），处理约束（例如，药物输注约束），并比PID控制等传统方法更好地处理系统动力学的潜在非线性。MPC是目前糖尿病患者胰岛素自动输送的首选方法之一，已上市。强化学习的人工智能（artificial intelligence）技术与它的环境依次交互，正确的表现会得到奖励，不正确的表现会得到惩罚。强化学习在奖励和惩罚有较大延迟且难以获得被控制系统的可靠模型的控制系统中特别有用，目前已经应用于不同医疗保健环境中的药物传递，如癌症治疗剂量和糖尿病血糖控制。迭代学习控制（Iterative learning control）、重复控制（repetitive control）和批次控制（run-to-run control）在化学和半导体工业中的自动化批量生产等重复过程控制中具有重要作用。在医学上，这些技术已成功应用于糖尿病患者的胰岛素输送。虽然它们在抗菌药物给药方面的应用仍处于概念验证阶段，但其支持间歇给药的巨大潜力也是不容忽视的，包括使用传统TDM或基于连续或间歇生物传感器的传感的口服抗菌剂。在精确给药的情况下，这些技术试图通过根据过去剂量观察药物暴露的偏差调整剂量来促进药代动力学-药效学指标的达成。在许多情况下，最佳的药代动力学药效学指标和目标值仍然需要探索和表征。

　　图5 闭环控制自动化，精确的药物输送。自动化、精确的药物输送可以通过一个闭环控制系统来实现，该系统包含一个生物传感器、一个反馈控制器和一个给病人输送药物的输注泵。生物传感器提供患者体内药物浓度的实时测量，然后与预定义的目标（设定值）进行比较，产生一个错误信号，并将其反馈给反馈控制器。反馈控制器计算纠正动作以减少误差信号，并向输液泵发送驱动信号，输液泵将相应的药物剂量传递给患者。

　　迄今为止，优化抗菌剂方案的决策支持主要集中于贝叶斯预测的实现和包含传统剂量优化软件的移动应用程序。为了促进更广泛地采用优化疗法，未来的方法必须注重与其他方面，如诊断、电子健康记录和监测系统的更密切的整合和连通性。随着人工智能的发展，互联数据可能被迅速用于支持个性化治疗的实时决策。人工智能已被应用于糖尿病患者胰岛素输送的优化，而闭环控制技术，如强化学习，已被证明支持个性化治疗。未来的工作必须探索如何将优化抗菌剂剂量的新工具与更广泛的抗菌剂治疗决策支持联系起来，这需要与电子健康记录和精确抗菌剂治疗决策支持的其他方面相结合，整合将增加采用和在抗菌剂管理的不同方面提供个性化的决策支持。例如，支持个性化抗菌剂选择的人工智能系统已经开发出来，将单个药物的剂量优化包纳入其中。优化抗菌剂剂量的一个主要问题是，单个机构和网络产生的数据是否可用于推测更广泛的人群的建议剂量。由于实践和报告的变化很大，需要改进此类数据的管理和分析。人工智能可以为这一问题提供一种解决办法，例如，通过分析在某一地区没有TDM和生物传感技术或缺乏有关人口的数据时，是否可以将汇集的人口数据应用于个体化剂量。通过在大型人工管理数据集中汇集个体的数据，可以推断出在未来可能为该群体中的个体提供最佳治疗策略。

　　优化的抗菌药物剂量可能改善患者的预后，包括减少药物相关毒性，并帮助在面对耐药性时保持抗菌疗效。随着耐药性和复杂感染在共病患者中的发生率不断上升，包括实时生物传感、闭环控制和人工智能驱动的决策支持工具在内的最先进技术有可能解决当前的障碍，并支持更广泛地实施精确的抗菌药物给药。这种技术产生的数据可能进一步支持最佳治疗建议的确定，即使在应用这种技术仍然具有挑战性的领域。今后的工作必须重点解决目前在实施优化抗菌药物使用方面存在的障碍，并支持加强与抗菌药物处方领域其他发展的互联互通。

　　Antimicrobial resistance：对曾经对细菌、真菌或其他微生物有效的抗菌药物产生耐药性的发展过程。

　　Antimicrobial stewardship：一种优化抗菌剂使用以确保最佳治疗结果的方法，同时最大限度地减少治疗对个人（毒性）和更广泛的人群（抗菌药物耐药性）的有害后果。

　　Pharmacokinetics：药物进出人体的运动情况（身体对药物的反应）。药代动力学可以用浓度随时间的变化来描述。

　　Pharmacodynamics：药物浓度和观察到的效果（药物对身体的作用）之间的关系。

　　Nomogram：一种表示三个或三个以上变量之间关系的图表，设计成可以估计一个变量，例如，在测量值处画一条与其他变量相交的直线。

　　Biofilm：细胞相互粘附或表面的微生物的集合。贴壁细胞由聚合物质的细胞外基质保护。

　　Hetero-resistance：对一种抗菌剂产生的耐药性，发生在其他敏感微生物种群的一个子集。

　　Therapeutic index：药物安全性的相对度量。定义为引起毒性的药物量和导致治疗效果的药物量之间的比率。因此，低治疗指数（低比率）在治疗成功和毒性之间的距离很近。

　　Volume of distribution：在血浆中观察到的浓度下，所需要的包含给药总量的理论体积。

　　Minimum inhibitory concentration（MIC）：在体外防止细菌可见生长所需的最低抑菌浓度，测量是在标准条件下进行的。

　　C-reactive protein（CRP）：一种由肝脏产生的急性反应蛋白对炎症（包括感染引起的）的反应。

　　Breakpoints：选择的抗菌剂浓度（毫克/升），根据最低抑菌浓度来确定生物体是敏感还是耐药。根据患者体内可能达到的最高药物浓度来定义。