Symptom-Driven Personalized Proton Pump Inhibitors Therapy Using Bayesian Neural Networks and Model Predictive Control
作者: Yutong Li, Ilya Kolmanovsky
分类: eess.SY, cs.LG
发布日期: 2025-07-13
备注: 6 pages, 5 figures
💡 一句话要点
提出基于贝叶斯神经网络和模型预测控制的症状驱动个性化PPIs疗法
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 质子泵抑制剂 贝叶斯神经网络 模型预测控制 个性化医疗 症状驱动
📋 核心要点
- 长期高剂量PPIs治疗胃酸相关疾病存在风险，而长期精确控制胃酸受限于监测手段和患者差异。
- 论文提出基于患者症状模式，利用贝叶斯神经网络预测症状，并结合模型预测控制动态调整PPI剂量。
- 实验表明，该方法在保证酸抑制的同时，比标准方案减少了65%的PPI消耗，降低了治疗负担。
📝 摘要（中文）
质子泵抑制剂（PPIs）是治疗胃酸相关疾病的标准药物，但长期高剂量使用存在显著风险。长期精确控制胃酸面临挑战，因为超过72小时的侵入性胃酸监测不切实际，且患者间差异巨大。本文提出了一种非侵入性的、基于症状的框架，仅根据患者报告的反流和消化症状模式来定制PPI剂量。贝叶斯神经网络预测模型学习预测患者症状，并量化其历史症状评分、膳食和PPI摄入数据的不确定性。这些概率预测被输入到机会约束模型预测控制（MPC）算法中，该算法动态计算未来的PPI剂量，以最小化药物使用，同时以高置信度实现酸抑制——无需任何直接的酸测量。在不同的饮食计划和虚拟患者资料上的计算机模拟研究表明，与标准固定方案相比，我们提出的学习增强MPC将总PPI消耗量减少了65%，同时保持至少95%的概率进行酸抑制。该方法为个性化PPI治疗提供了一条实用途径，在没有侵入性传感器的情况下，最大限度地减少治疗负担和过量用药风险。
🔬 方法详解
问题定义：论文旨在解决长期使用质子泵抑制剂（PPIs）治疗胃酸相关疾病时，由于患者个体差异大和缺乏长期有效的胃酸监测手段，导致药物剂量难以精确控制，从而产生过度用药风险的问题。现有方法通常采用固定剂量方案，无法根据患者的实际症状和生理状态进行个性化调整。
核心思路：论文的核心思路是利用患者自身报告的症状作为反馈信号，通过机器学习方法建立症状与PPI剂量之间的关系模型。具体而言，利用贝叶斯神经网络学习患者的症状模式，并预测未来症状，同时量化预测的不确定性。然后，利用模型预测控制（MPC）算法，根据症状预测结果和不确定性，动态调整PPI剂量，以在保证酸抑制效果的前提下，最小化药物使用量。
技术框架：整体框架包含两个主要模块：1) 基于贝叶斯神经网络的症状预测模型；2) 基于机会约束的MPC剂量优化算法。首先，利用患者的历史症状评分、膳食和PPI摄入数据训练贝叶斯神经网络，用于预测未来一段时间内的症状。然后，将症状预测结果及其不确定性输入到MPC算法中。MPC算法根据预测结果，计算未来一段时间内的最优PPI剂量，目标是最小化药物使用量，同时满足酸抑制的概率约束。
关键创新：论文的关键创新在于将贝叶斯神经网络和模型预测控制相结合，实现了一种非侵入式的、基于症状的个性化PPI治疗方案。与传统方法相比，该方法无需直接测量胃酸，而是利用患者自身报告的症状作为反馈信号，更加实用和方便。此外，贝叶斯神经网络能够量化预测的不确定性，使得MPC算法能够更加稳健地进行剂量优化。
关键设计：贝叶斯神经网络的网络结构未知，但其核心作用是学习症状与输入（历史症状、膳食、PPI剂量）之间的概率关系，并输出症状预测及其不确定性。MPC算法的关键在于目标函数和约束条件的设计。目标函数通常包含药物使用量和症状偏差两项，约束条件则包括酸抑制的概率约束，即保证酸抑制的概率高于某个阈值（例如95%）。机会约束的处理方式未知，可能采用场景方法或近似方法。
🖼️ 关键图片
📊 实验亮点
研究通过计算机模拟实验验证了该方法的有效性。结果表明，与标准固定剂量方案相比，该方法能够减少65%的PPI消耗量，同时保持至少95%的酸抑制概率。这表明该方法能够在保证疗效的前提下，显著降低药物使用量，具有重要的临床价值。
🎯 应用场景
该研究成果可应用于胃食管反流病、消化性溃疡等胃酸相关疾病的个性化治疗。通过患者自我报告的症状，医生可以利用该系统动态调整PPI剂量，减少药物副作用和治疗负担。该方法具有广泛的应用前景，有望改善患者的生活质量，并降低医疗成本。
📄 摘要（原文）
Proton Pump Inhibitors (PPIs) are the standard of care for gastric acid disorders but carry significant risks when administered chronically at high doses. Precise long-term control of gastric acidity is challenged by the impracticality of invasive gastric acid monitoring beyond 72 hours and wide inter-patient variability. We propose a noninvasive, symptom-based framework that tailors PPI dosing solely on patient-reported reflux and digestive symptom patterns. A Bayesian Neural Network prediction model learns to predict patient symptoms and quantifies its uncertainty from historical symptom scores, meal, and PPIs intake data. These probabilistic forecasts feed a chance-constrained Model Predictive Control (MPC) algorithm that dynamically computes future PPI doses to minimize drug usage while enforcing acid suppression with high confidence - without any direct acid measurement. In silico studies over diverse dietary schedules and virtual patient profiles demonstrate that our learning-augmented MPC reduces total PPI consumption by 65 percent compared to standard fixed regimens, while maintaining acid suppression with at least 95 percent probability. The proposed approach offers a practical path to personalized PPI therapy, minimizing treatment burden and overdose risk without invasive sensors.