目的：本研究旨在利用机器学习方法建立一个预测万古霉素谷浓度的最佳模型。
方法：我们纳入了自 2013 年 6 月至 2020 年 4 月在上海交通大学医学院附属新华医院静脉注射万古霉素并进行治疗药物监测的 407 例儿科患者（年龄 <18 岁）。患者年龄和体重中位数（上下四分位数）分别为 2（0.63-5）岁和 12（7.8-19）kg。以万古霉素谷浓度为目标变量，采用 8 种不同算法进行预测性能的比较。全部数据集（407 例）按 80%：20% 的比例分为训练组（325 例）和试验组（82 例）。
结果：最终选取 R² 较高的 5 种算法（XGBoost、GBRT、Bagging、ExtraTree 和 decision tree），R² 分别为 0.657、0.514、0.468、0.425 和 0.450，建立集成模型，得到最优的预测结果。对于缺失数据，通过填充缺失值和模型集成，我们得到 R² =0.614，MAE=3.32，MSE=24.39，RMSE=4.94，预测准确度为 51.22%（预测谷浓度在实际谷浓度的 30% 以内）。与药代动力学模型（R² =0.3）相比，机器学习模型拟合效果更好，具有更好的预测准确度。
结论：集合模型对于万古霉素浓度的预测有效，特别是对于个体差异较大的儿童群体。随着机器学习方法的发展，集成模型的临床价值将在临床实践中得到体现。
Keywords: machine learning, XGBoost, prediction, vancomycin, trough concentration, pediatric patients