RISKmilk 乳汁药物转运的机器学习与 PBPK 框架
研究以机器学习估计血浆—乳汁转运参数，再输入哺乳期 PBPK 模型；与传统公式模型相比，临床乳汁／血浆比值的预测误差缩小。
用途与模型
- 研究用途
- RISKmilk 乳汁药物转运的机器学习与 PBPK 框架
- 模型与细胞来源
- 机器学习转运参数与传统公式模型
- 方法版本
- 2026 年原研究摘要可核对版本
- 实验形式
- 用临床乳汁／血浆观测值比较新框架与传统公式模型的预测误差。
材料与平台
- 模型与干预条件
- 机器学习转运参数与传统公式模型；用临床乳汁／血浆观测值比较新框架与传统公式模型的预测误差。
测量指标与分析
- 乳汁／血浆比值预测与相对婴儿剂量
用临床乳汁／血浆观测值比较新框架与传统公式模型的预测误差。
研究设计与结果
实验条件比较
- 研究设计
- 用临床乳汁／血浆观测值比较新框架与传统公式模型的预测误差。
- 测试范围
- 有乳汁／血浆观测值的药物；另有上市药物模型筛选集
- 参照体系
- RISKmilk 与传统公式模型对乳汁／血浆比值的预测误差
- 研究结果
- 在论文比较的数据中，预测值落在观测值 2 倍误差范围内的比例由 29.6% 提高至 66.4%。对已上市药物的筛选中，14 种达到模型设定的乳汁／血浆比值至少为 1 的阈值；其中 4 种在最大相对婴儿剂量情景下超过 10%。
适用条件与研究局限
- 原研究摘要所列条件与结果；不扩大为临床验证或监管资格认定。
来源与原文
- A RISKmilk framework for predicting drug and chemical exposure in human milk during breastfeeding原始研究 · Pharmacological research · 2026-09-24