詹世鹏，马攀，刘芳 (陆军军医大学第一附属医院药剂科，重庆 400038)

    国务院于2017年7月20日发布的《新一代人工智能发展规划》，明确将人工智能(artificial intelligence，AI)作为未来国家重要的发展战略。近年来，AI不断得到各领域的重视，取得了令人瞩目的发展。机器学习是AI的一种实现方式，也是一门专注于研究计算机如何从数据中学习的科学学科[1]，通过强大的计算算法，可以实现对数据高效、准确地分析和预测[2]。医疗大数据给机器学习提供了海量的数据来源，近年来，机器学习已在医疗监护[3]、影像判断[4]、卫生决策[5]等领域发挥了重要作用。在药学领域，机器学习在药物研发阶段的应用已趋于成熟[6]，但在治疗药物监测和个体化用药领域仍处于上升阶段。

    个体化用药旨在为患者“量体裁药”，提供精准化药学服务。治疗药物监测为个体化用药提供了重要的技术支撑。既往基于治疗药物监测的个体化用药模型构建多采用群体药动学模型，存在建模困难、影响因素考虑较少且准确度不高的局限性。机器学习可通过对数据的多层次挖掘，筛选出多个影响因素，并将其一并纳入分析，从而构建出实用性更强、准确度更高的个体化用药模型[7—8]。因此，机器学习与个体化用药的结合有助于临床更好地实现精准用药。本研究拟通过查阅国内外相关文献，对机器学习在治疗药物监测与个体化用药中的应用进行综述，以期为临床精准用药提供理论依据和技术支撑。

    1 机器学习概况

    机器学习的本质是通过算法使计算机从大量的数据中学习规律并形成相应的模型，并对该模型进行验证和不断优化，其目标是对新的样本作出识别和预测[9]。因此，机器学习的能力是训练出来的，不是明确地用程序编写出来的[10]。机器学习根据学习方式可以分为监督式学习、半监督式学习、非监督式学习和强化学习四大类[11]。

    1.1 监督式学习

    在监督式学习中，每组训练数据都有一个明确的目标变量，这个变量由已知的一系列预示变量预测而来。监督式学习主要用于解决分类及回归问题，常见的基于监督式学习的算法包括——(1)回归算法：采用对误差的衡量来探索变量之间的关系，代表算法有线性回归、逻辑回归等。(2)决策树算法：根据数据的属性采用树状结构建立决策模型，代表算法有分类回归树、多元自适应回归样条等。(3)贝叶斯算法：基于贝叶斯定理的一类算法，代表算法有朴素贝叶斯、贝叶斯网络等。(4)基于核的算法：将输入数据映射到高维空间中，并在高维空间学习得到对应的线性模型，使模型具有极强的非线性表达能力 ......