Giới thiệu dự án

Tối ưu hóa chế độ liều kháng sinh dựa trên nguyên lý dược động học/dược lực học (PK/PD - Pharmacokinetics/Pharmacodynamics) là trụ cột then chốt trong chương trình quản lý sử dụng kháng sinh (AMS) tại các cơ sở y tế. Vancomycin – một kháng sinh glycopeptid quan trọng trong điều trị các chủng vi khuẩn Gram dương đa kháng, đặc biệt là tụ cầu vàng kháng methicillin (Methicillin-resistant Staphylococcus aureus - MRSA) – có phạm vi điều trị hẹp và biến thiên dược động học rất lớn giữa các cá thể.

Theo các thống kê y tế quốc tế, việc áp dụng phương pháp giám sát nồng độ thuốc trong máu (TDM - Therapeutic Drug Monitoring) truyền thống chỉ dựa trên nồng độ đáy ($C_{\text{trough}}$ từ 15 – 20 mg/L) dẫn đến nguy cơ độc tính trên thận (AKI - Acute Kidney Injury) tăng gấp 3,64 lần ($\text{OR} = 3{,}643$; $95%\text{CI}: 1{,}749 - 7{,}587$), trong khi mối tương quan giữa $C_{\text{trough}}$ và diện tích dưới đường cong nồng độ - thời gian (AUC) chỉ đạt hệ số xác định $R^2$ từ $51%$ đến $73{,}1%$.

Nhằm giải quyết bất cập này, Hướng dẫn đồng thuận năm 2020 của các hiệp hội chuyên môn Hoa Kỳ (ASHP/IDSA/PIDS/SIDP) đã chính thức khuyến cáo chuyển dịch từ đích $C_{\text{trough}}$ sang đích $\text{AUC}{24\text{h}}/\text{MIC}{\text{BMD}}$ từ $400 - 600\text{ mg}\cdot\text{h/L}$ (giả định $\text{MIC} = 1\text{ mg/L}$), ưu tiên tiếp cận ước đoán Bayesian tích hợp mô hình dược động học quần thể (popPK).

Đề tài "Hiệu chỉnh liều Vancomycin thông qua giám sát nồng độ thuốc trong máu với tiếp cận Bayesian trên bệnh nhân người lớn tại Bệnh viện Bạch Mai" được thực hiện nhằm giải quyết các bài toán sau:

  • Mục tiêu 1: Phân tích đặc điểm lâm sàng, thực trạng chỉ định liều và đánh giá hiệu quả đạt đích AUC ($400 - 600\text{ mg}\cdot\text{h/L}$) thông qua quy trình TDM Bayesian trên $369$ bệnh nhân người lớn nội trú.
  • Mục tiêu 2: Đánh giá tính phù hợp của mô hình popPK (mô hình Goti) và thuật toán Bayes "phẳng" (Flattened Bayes) thông qua sai số mô hình - quần thể và sai số dự đoán - quan sát.
  • Mục tiêu 3: Nhận diện và định lượng các yếu tố ảnh hưởng độc lập đến nguy cơ dưới đích ($\text{AUC} < 400\text{ mg}\cdot\text{h/L}$) và vượt ngưỡng đích ($\text{AUC} > 600\text{ mg}\cdot\text{h/L}$) tại lần định lượng đầu tiên bằng phương pháp hồi quy logistic kết hợp trung bình hóa mô hình Bayes (BMA - Bayesian Model Averaging).

Phạm vi nghiên cứu tập trung vào bệnh nhân người lớn ($\ge 18$ tuổi) dùng vancomycin truyền ngắt quãng tại Bệnh viện Bạch Mai trong năm 2021; loại trừ các bệnh nhân lọc máu ngắt quãng (IHD), dùng vancomycin dự phòng phẫu thuật, chuyển đổi truyền liên tục hoặc thiếu dữ liệu xét nghiệm.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi triển khai TDM theo tiếp cận Bayesian, các phương pháp giám sát liều vancomycin tồn tại nhiều khoảng trống về độ chính xác và tính tiện dụng lâm sàng:

Tiêu chí so sánh TDM theo Nồng độ đáy ($C_{\text{trough}}$) Phương trình PK Bậc 1 (2 điểm nồng độ) Ước đoán Bayesian (1 - 2 điểm nồng độ)
Đích giám sát $C_{\text{trough}}$ 15 – 20 mg/L $\text{AUC}_{24\text{h}}/\text{MIC}$ 400 – 600 mg·h/L $\text{AUC}_{24\text{h}}/\text{MIC}$ 400 – 600 mg·h/L
Số lượng mẫu máu 1 mẫu ($C_{\text{trough}}$ trước liều thứ 4) 2 mẫu ($C_{\text{peak}}$ và $C_{\text{trough}}$) 1 mẫu duy nhất (hoặc 2 mẫu nếu cần)
Thời điểm lấy mẫu Bắt buộc trạng thái cân bằng ($> 48\text{h}$) Bắt buộc trạng thái cân bằng Linh hoạt (sau 24h hoặc sau liều nạp)
Độ chính xác dự đoán Thấp ($R^2 \approx 0{,}51 - 0{,}73$) Trung bình ($R^2 \approx 0{,}82 - 0{,}94$) Rất cao ($R^2 \ge 0{,}94$; sai số dự đoán $< 5%$)
Nguy cơ độc tính thận (AKI) Cao ($\text{OR} = 3{,}64$) Đã giảm ($\text{OR} = 0{,}52$) Thấp nhất ($\text{OR} = 0{,}52$; $\text{HR} = 0{,}53$)
Chi phí & Độ phức tạp Thấp, dễ làm nhưng tốn chi phí trị AKI Tốn công lấy nhiều mẫu tĩnh mạch Cần phần mềm chuyên dụng hỗ trợ

Phân loại yêu cầu triển khai theo mô hình MoSCoW:

  • Must have: Tính toán chính xác độ thanh thải creatinin ($\text{CL}_{\text{cr}}$) theo công thức Cockcroft - Gault; tích hợp mô hình popPK 2 ngăn của Goti; phần mềm tính toán giao diện trực quan cho Dược sĩ lâm sàng.
  • Should have: Áp dụng thuật toán Flattened Bayes nhằm giảm thiểu độ chênh nồng độ cá thể; đồng bộ hóa dữ liệu định lượng từ hệ thống máy xét nghiệm tự động.
  • Could have: Cảnh báo tự động tương tác thuốc với các tác nhân làm tăng độc tính thận (Furosemid, NSAIDs, Piperacillin/Tazobactam).
  • Won't have (giai đoạn này): Tích hợp tự động vào bệnh án điện tử HIS/EMR toàn viện.

Thiết kế hệ thống

Quy trình TDM Vancomycin dựa trên Bayesian được vận hành thông qua cấu trúc tương tác đa tầng:

[Bệnh nhân nội trú] ---> [Bác sĩ chỉ định Liều nạp & Liều duy trì theo CLcr]
                                |
                                v
[Khoa Hóa sinh] <--- [Lấy 1 mẫu máu sau >= 24h dùng thuốc]
       |
       v (Hệ máy Architect ci8200 - Abbott / Thuốc thử PETINIA)
[Nồng độ thực đo C_obs]
       |
       v
[Dược sĩ lâm sàng] ---> [Phần mềm SmartDoseAI (Goti popPK + Flattened Bayes)]
                                |
                                v
                   [Ước tính AUC_Bayes & Đề xuất hiệu chỉnh liều]
                                |
                                v
                   [Bác sĩ phê duyệt & Áp dụng phác đồ tối ưu]

Ngăn xếp công nghệ và thông số kỹ thuật

  • Phần mềm hỗ trợ TDM: SmartDoseAI (phiên bản cập nhật tích hợp mô hình popPK Goti và giải thuật Flattened Bayes).
  • Thiết bị xét nghiệm: Hệ thống máy tự động Architect ci8200 (Abbott Laboratories), kỹ thuật đo độ đục miễn dịch theo phản ứng ức chế ngưng kết vi hạt (PETINIA), giới hạn định lượng tuyến tính $1{,}1 - 100{,}0\text{ mg/L}$.
  • Phần mềm phân tích dữ liệu & thống kê: R version 4.1.2 (thư viện BMA, pROC, ggplot2), IBM SPSS Statistics version 25.0, Microsoft Excel 2016.
  • Mô hình toán học cốt lõi: Phương trình Dược động học quần thể của Goti et al. (mô hình 2 ngăn tuyến tính):

$$\text{CL} = \theta_1 \times \left(\frac{\text{CL}_{\text{cr}}}{120}\right)^{\theta_2} \times \left(\frac{\text{Weight}}{70}\right)^{\theta_3}$$

$$V_1 = \theta_4 \times \text{Weight}, \quad Q = \theta_5, \quad V_2 = \theta_6 \times \text{Weight}$$

Methodology

Quy trình nghiên cứu tiến cứu can thiệp dược lâm sàng không đối chứng được triển khai qua 4 bước:

  1. Thiết kế phác đồ ban đầu: Chỉ định liều nạp theo cân nặng thực tế ($1000 - 2000\text{ mg}$, tương đương $25 - 30\text{ mg/kg}$) và liều duy trì phân tầng theo $\text{CL}{\text{cr}}$ ($\text{CL}{\text{cr}} > 90\text{ mL/phút}$: $1500\text{ mg}$ mỗi $12\text{h}$; $60 - 90\text{ mL/phút}$: $1000\text{ mg}$ mỗi $12\text{h}$; $20 - 59\text{ mL/phút}$: $1000\text{ mg}$ mỗi $24\text{h}$; $< 20\text{ mL/phút}$: $1000\text{ mg}$ mỗi $48\text{h}$).
  2. Lấy mẫu & Định lượng: Lấy $3\text{ mL}$ máu tĩnh mạch sau ít nhất $24\text{h}$ (thường sau liều thứ 3 hoặc 4), trong pha thải trừ (tránh lấy trong khi truyền và $60$ phút sau truyền).
  3. Bayesian Estimation & Hiệu chỉnh: Nhập nồng độ thực đo vào SmartDoseAI, tính $\text{AUC}_{\text{Bayes}}$. Nếu $\text{AUC} < 400\text{ mg}\cdot\text{h/L}$ hoặc $> 600\text{ mg}\cdot\text{h/L}$, hiệu chỉnh khoảng cách hoặc độ lớn liều.
  4. Kiểm soát chất lượng (QA) & Đánh giá thống kê: Đánh giá độ sai số mô hình, kiểm định BMA để tránh đa cộng tuyến và tối ưu hóa hàm thông tin BIC (Bayesian Information Criterion).

Implementation và kết quả

Development process

Quá trình thu thập và xử lý dữ liệu được tự động hóa phân tích bằng ngôn ngữ thống kê R. Đoạn mã R sau đây mô tả quá trình tính toán sai số mô hình (%Bias, %Precision) và lựa chọn mô hình hồi quy đa biến bằng thuật toán BMA:

# Tinh toan do lech (%Bias) va do chinh xac (%Precision) theo tieu chuan Sheiner & Beal
calc_pk_metrics <- function(c_pred, c_obs) {
  mean_conc <- (c_pred + c_obs) / 2
  percent_bias <- mean((c_pred - c_obs) / mean_conc) * 100
  percent_precision <- sqrt(mean(((c_pred - c_obs) / mean_conc)^2)) * 100
  return(list(Bias_Percent = percent_bias, Precision_Percent = percent_precision))
}

# Hoi quy da bien Bayesian Model Averaging (BMA) xac dinh yeu to anh huong den AUC < 400
library(BMA)
x_vars <- data_clean[, c("Weight_10", "Age", "Sex_Male", "CLcr_10", "ARC", "Low_Dose_Maint")]
y_target <- data_clean$AUC_Under_400

bma_model <- bic.glm(x = x_vars, y = y_target, glm.family = binomial(link = "logit"), max.models = 50)
summary(bma_model)

Testing và validation

Hiệu năng dự đoán của mô hình popPK Goti và thuật toán Bayesian được kiểm chứng trên $369$ nồng độ TDM lần đầu và $216$ nồng độ TDM theo dõi lần tiếp theo:

Chỉ số kiểm định Sai số Mô hình - Quần thể ($N = 369$) Sai số Dự đoán - Quan sát (Bayes) ($N = 216$) Mức độ cải thiện
% Độ lệch (%Bias) $22{,}84%$ $-0{,}11%$ Giảm tuyệt đối $22{,}73%$ (tiệm cận $0$)
% Độ chính xác (%Precision) $49{,}76%$ $32{,}59%$ Cải thiện $34{,}5%$ sai số
Chênh lệch trung bình $+2{,}24\text{ mg/L}$ $-0{,}37\text{ mg/L}$ Thu hẹp độ lệch về mức tối thiểu
Khoảng đồng thuận 95% (LoA) $-12{,}53\text{ đến }+17{,}02\text{ mg/L}$ $-11{,}50\text{ đến }+10{,}75\text{ mg/L}$ Giảm $24{,}8%$ độ rộng khoảng phân tán

Biểu đồ Bland-Altman xác nhận rằng sau khi áp dụng phản hồi Bayesian từ nồng độ đo lần 1, các giá trị dự đoán cho lần tiếp theo nằm gọn trong giới hạn chấp nhận lâm sàng, loại bỏ hoàn toàn độ chệch hệ thống ban đầu của quần thể.

Kết quả đạt được

Nghiên cứu trên $369$ bệnh nhân (tuổi trung vị $58$, nam giới $63{,}4%$, cân nặng trung vị $55\text{ kg}$, $\text{CL}_{\text{cr}}$ nền $79{,}8\text{ mL/phút}$) đã ghi nhận các kết quả then chốt:

Tỷ lệ đạt đích AUC (400 - 600 mg.h/L) qua các mốc can thiệp:
[Lần 1 (Liều ban đầu)]  : 37.9% [=========>                          ]
[Sau hiệu chỉnh lần 1]  : 64.2% [================>                  ]
[Tích lũy lần 2 (KM)]   : 72.7% [==================>                ]
[Tích lũy lần 3 (KM)]   : 84.6% [======================>            ]
[Tổng kết quá trình (KM)]: 98.2% [===============================>   ]
  • Tỷ lệ đạt đích điều trị: Lần TDM đầu tiên chỉ đạt $37{,}9%$ ($140/369$). Tuy nhiên, ngay sau lần can thiệp hiệu chỉnh liều thứ nhất bằng Bayesian, tỷ lệ đạt đích tăng vọt lên $64{,}2%$ ($79/123$). Theo phân tích sống còn Kaplan-Meier, xác suất tích lũy đạt đích sau 3 lần định lượng lên đến $84{,}6%$ và đạt $98{,}2%$ khi kết thúc đợt điều trị.
  • Thời gian đạt đích trung bình: $2{,}7\text{ ngày}$.
  • Hiệu quả lâm sàng: $94{,}0%$ ($347/369$) bệnh nhân đạt kết quả điều trị khỏi hoặc cải thiện rõ rệt khi ra viện.

Phân tích đa biến các yếu tố ảnh hưởng đến khả năng đạt đích lần đầu

Yếu tố làm tăng nguy cơ AUC < 400 mg.h/L (Dưới đích):
- Liều duy trì thấp hơn khuyến cáo : OR = 7.06 (95%CI: 3.13 - 15.94, p < 0.001)
- Cân nặng tăng mỗi 10 kg          : OR = 1.39 (95%CI: 1.08 - 1.79,  p = 0.012)

Yếu tố làm tăng nguy cơ AUC > 600 mg.h/L (Vượt ngưỡng độc tính):
- Bệnh nhân suy thận (CLcr < 30)   : OR = 14.08 (95%CI: 1.78 - 111.34, p = 0.012)
- Dùng đồng thời Furosemid         : OR = 3.45  (95%CI: 1.49 - 7.97,   p = 0.004)
- Liều duy trì cao hơn khuyến cáo  : OR = 2.42  (95%CI: 1.32 - 4.43,   p = 0.004)

Đổi mới và đóng góp

  • Ứng dụng thuật toán Flattened Bayes trên lâm sàng: Khắc phục nhược điểm "bảo thủ" của mô hình popPK tiên nghiệm khi bệnh nhân có biến thiên sinh lý bất thường, cho phép tham số PK cá thể dịch chuyển linh hoạt tiệm cận nồng độ thực tế, giảm sai số dự đoán xuống mức $-0{,}11%$.
  • Tối ưu hóa chiến lược lấy mẫu đơn điểm: Chứng minh tính khả thi và chính xác của phương pháp Bayesian chỉ với 1 mẫu nồng độ duy nhất (trung bình $1{,}6$ mẫu/bệnh nhân), giảm $50%$ số lần chọc hút tĩnh mạch so với phương pháp dược động học bậc 1 truyền thống.
  • Xác lập mô hình dự báo nguy cơ lệch liều: Sử dụng kỹ thuật tiên tiến Bayesian Model Averaging (BMA) để lượng hóa tác động độc lập của việc không tuân thủ khuyến cáo liều ban đầu (tăng nguy cơ dưới đích gấp $7{,}06$ lần và quá liều gấp $2{,}42$ lần).
  • Đóng góp chuẩn hóa quy trình TDM Quốc gia: Cung cấp cơ sở khoa học thực chứng đầu tiên tại bệnh viện đa khoa tuyến cuối quy mô lớn tại miền Bắc, tạo tiền đề cập nhật hướng dẫn giám sát kháng sinh cho Bộ Y tế Việt Nam.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng lâm sàng

Quy trình được áp dụng thường quy tại các khoa lâm sàng trọng điểm: Khoa Cơ xương khớp ($54{,}7%$), Trung tâm Hô hấp ($16{,}0%$), Khoa Thần kinh, Viện Tim mạch và Trung tâm Hồi sức tích cực.

Kịch bản ca bệnh: Bệnh nhân nam, 62 tuổi, 65 kg, Nhiễm khuẩn huyết do MRSA.
- Creatinin huyết thanh nền: 135 mcmol/L -> CLcr = 42 mL/phút (Suy giảm chức năng thận).
- Chỉ định ban đầu theo Quy trình: 
    + Liều nạp: 1750 mg truyền ngắt quãng trong 2 giờ.
    + Liều duy trì: 1000 mg mỗi 24 giờ.
- Triển khai TDM: Lấy 1 mẫu máu sau 24h (trước liều duy trì thứ 2).
- Nhập kết quả vào SmartDoseAI: Nồng độ đo C_obs = 18.5 mg/L -> AUC_Bayes = 645 mg.h/L (Nguy cơ quá liều).
- Đề xuất hiệu chỉnh: Điều chỉnh liều về 800 mg mỗi 24 giờ.
- Kết quả TDM lần 2: AUC đạt 485 mg.h/L (Nằm trọn trong dải tối ưu 400 - 600 mg.h/L, an toàn thận).

Đánh giá hiệu quả kinh tế y tế (Cost-Benefit & ROI)

  • Giảm chi phí quản lý biến cố bất lợi: Bằng cách kiểm soát AUC $< 600\text{ mg}\cdot\text{h/L}$, tỷ lệ tổn thương thận cấp (AKI) ước tính giảm từ $8%$ xuống dưới $2%$. Chi phí điều trị biến chứng AKI trung bình tại ICU tiết kiệm hàng chục triệu đồng/bệnh nhân.
  • Tiết kiệm chi phí xét nghiệm: Giảm tải gánh nặng từ 2 mẫu/đợt định lượng xuống 1 mẫu giúp giảm $50%$ chi phí kit hóa chất xét nghiệm và công điều dưỡng.
  • Thời gian hoàn vốn (ROI): Việc đầu tư phần mềm TDM Bayesian mang lại tỷ suất hoàn vốn y tế cao nhờ rút ngắn thời gian nằm viện (trung vị $15\text{ ngày}$) và giảm thiểu tỷ lệ thất bại điều trị.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Chưa cá thể hóa cho nhóm lọc máu: Nghiên cứu đã loại trừ nhóm bệnh nhân có can thiệp lọc máu ngắt quãng (IHD/CRRT) do mô hình Goti chưa tích hợp thông số thẩm phân.
  • Thời điểm lấy mẫu TDM còn muộn: Phần lớn bệnh nhân được lấy mẫu ở ngày thứ 2 - 3 (sau liều thứ 3 hoặc 4), chưa khai thác triệt để ưu thế lấy mẫu sớm ngay sau liều nạp của thuật toán Bayes.
  • Tỷ lệ tuân thủ liều ban đầu chưa tuyệt đối: Vẫn còn $30{,}1%$ bệnh nhân được kê liều duy trì ban đầu chưa đúng với khuyến cáo của quy trình theo $\text{CL}_{\text{cr}}$.

Định hướng nâng cấp

  • Xây dựng mô hình popPK riêng cho người Việt Nam dựa trên kỹ thuật mô hình hóa phi tuyến hỗn hợp (NONMEM).
  • Tích hợp module TDM Bayesian thông minh dạng Web-API kết nối trực tiếp vào hệ thống Bệnh án điện tử (EMR) toàn viện.
  • Mở rộng nghiên cứu trên các nhóm bệnh nhân đặc thù: Bệnh nhân sốc nhiễm khuẩn có tăng thanh thải thận (ARC) và bệnh nhân lọc máu liên tục (CRRT).

Đối tượng hưởng lợi

  • Sinh viên Y Dược: Nguồn học liệu thực chứng chuẩn mực về ứng dụng Dược động học lâm sàng, mô hình toán popPK và chuyển đổi số trong cá thể hóa điều trị.
  • Bác sĩ & Dược sĩ lâm sàng: Công cụ và thuật toán hỗ trợ ra quyết định lâm sàng (Clinical Decision Support System) chính xác, loại bỏ phỏng đoán liều cảm tính.
  • Nhà quản lý Bệnh viện: Tối ưu hóa phác đồ điều trị, giảm tỷ lệ kháng thuốc, giảm biến cố bất lợi (ADR), nâng cao chỉ số an toàn người bệnh.
  • Nhà nghiên cứu Dược động học: Khung phương pháp luận kết hợp giữa popPK, Flattened Bayes và thống kê Bayesian Model Averaging (BMA) để xử lý dữ liệu lâm sàng phức tạp.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai TDM vancomycin theo Bayesian là gì?

Cơ sở y tế cần: (1) Máy xét nghiệm miễn dịch tự động định lượng được vancomycin trong huyết thanh (như Abbott Architect, Roche Cobas); (2) Phần mềm dược động học chuyên dụng có tích hợp mô hình popPK phù hợp (như SmartDoseAI, InsightRx, BestDose); (3) Dược sĩ lâm sàng được đào tạo về dược động học để diễn giải kết quả và tương tác với bác sĩ điều trị.

2. Ước đoán Bayes 1 điểm nồng độ có đủ độ tin cậy so với lấy 2 điểm nồng độ không?

Hoàn toàn tin cậy. Nghiên cứu thực nghiệm chứng minh rằng khi kết hợp mô hình popPK Goti và thuật toán Flattened Bayes, ước đoán 1 điểm nồng độ đạt độ lệch chỉ $-0{,}11%$ và độ chính xác $32{,}59%$, tương đương với phương pháp 2 điểm nồng độ truyền thống nhưng giảm $50%$ số lần lấy máu cho bệnh nhân.

3. Tại sao bệnh nhân có chỉ số thanh thải creatinin bình thường vẫn không đạt đích AUC ở lần 1?

Khả năng phân bố và thải trừ vancomycin không chỉ phụ thuộc vào $\text{CL}{\text{cr}}$ mà còn bị chi phối bởi cân nặng cá thể (tăng mỗi 10 kg làm tăng $39%$ nguy cơ dưới đích), tình trạng tăng thanh thải thận tiềm ẩn ($\text{CL}{\text{cr}} \ge 130\text{ mL/phút}$) hoặc tương tác thay đổi huyết động do các thuốc dùng kèm.

4. Cần xử trí thế nào khi bệnh nhân dùng đồng thời Furosemid hoặc có suy thận nền?

Bệnh nhân suy thận có nguy cơ quá liều gấp $14{,}08$ lần, trong khi dùng Furosemid làm tăng nguy cơ $\text{AUC} > 600\text{ mg}\cdot\text{h/L}$ gấp $3{,}45$ lần. Cần chủ động giảm liều duy trì ban đầu, kéo dài khoảng cách đưa liều ($24\text{h} - 48\text{h}$) và thực hiện định lượng TDM sớm trong vòng $24\text{h}$ đầu tiên.

5. Chi phí đầu tư hệ thống TDM Bayesian có đắt không và thời gian thu hồi vốn bao lâu?

Chi phí triển khai phần mềm và quy trình TDM là rất nhỏ so với chi phí điều trị các ca tổn thương thận cấp (AKI) do vancomycin gây ra. Việc ngăn ngừa chỉ từ 1 – 2 ca AKI nặng tại khoa Hồi sức tích cực đã đủ bù đắp toàn bộ chi phí vận hành TDM trong cả năm.


Kết luận

Nghiên cứu "Hiệu chỉnh liều Vancomycin thông qua giám sát nồng độ thuốc trong máu với tiếp cận Bayesian trên bệnh nhân người lớn tại Bệnh viện Bạch Mai" đã chứng minh tính ưu việt vượt trội của giải pháp cá thể hóa liều dựa trên mô hình popPK Goti và thuật toán Flattened Bayes.

Quy trình giúp nâng tỷ lệ đạt đích điều trị $\text{AUC}_{24\text{h}}/\text{MIC}$ ($400 - 600\text{ mg}\cdot\text{h/L}$) từ mức $37{,}9%$ ban đầu lên $64{,}2%$ ngay sau lần hiệu chỉnh đầu tiên và đạt xác suất tích lũy $98{,}2%$, đưa $94{,}0%$ người bệnh đến kết quả điều trị thành công. Đồng thời, nghiên cứu đã lượng hóa chính xác các nguy cơ lâm sàng then chốt (suy thận, quá liều, tương tác Furosemid, tăng cân nặng) thông qua mô hình hồi quy đa biến BMA.

Đây là bước tiến đột phá về công nghệ dược lâm sàng tại Việt Nam, thiết lập chuẩn mực mới trong thực hành TDM hiện đại nhằm tối đa hóa hiệu quả diệt khuẩn, bảo vệ an toàn chức năng thận và ngăn chặn sự bùng phát của vi khuẩn kháng thuốc. Các bệnh viện tuyến tỉnh và tuyến trung ương được khuyến nghị nhanh chóng tiếp cận và chuẩn hóa quy trình TDM Bayesian vào thực hành điều trị thường quy.