在利用任何药物治疗病人时使用的用以优化治疗 和防止药物不良反应的方法和系统 本专利文件公开的一部分包含受到版权保护的内容。在该专利公开的影印复制出现在美国专利和商标局的公共专利文件中的情况下，版权拥有者不反对任何人的复制行为，但是在其它情况下保留对该受版权保护内容的所有其它权利。
【发明领域】
本发明涉及在利用任何药物治疗病人时使用的用以优化药物治疗和防止药物不良反应的方法和系统。本发明可以利用药物浓度或其它代用标记(surrogatemarker)来确定定量给药疗法的效果，并且如果需要地话，建议一种新的更好的药物剂量。
【发明背景】
当一个病人开始进行一个长时间的药物治疗时，需要进行病人所摄入药物量的滴定，以便获得药物的最佳效果，并同时防止摄入过多药物时所产生的不希望的副作用。因此，在摄入足够药物以获得药物的效果和同时不摄入过多药物以造成中毒事件之间存在一个连续平衡。
在药物的病人药代动力学中存在较大的个体间可变性。对于一个病人可能是适当的药物剂量，而对于另一个病人就可能过大或过小。在本发明之前，一个内科医生被要求估计一个病人的正确药物剂量，然后用该剂量进行实验，通常通过试错法进行实验，直到获得正确的剂量。同样，药物的FDA标签建议基于疫学研究的剂量，也没有考虑个体间的可变性。非线性最小二乘建模方法涉及使用大量的与一般性人口有关的数据以便计算一个最佳适配。与线性回归模型非常相似，这种方法不能考虑具有相同种群特性的人之间的可变性。
贝叶斯分析是另一种把药物剂量与效力相联系的方法。这种方法采用大规模种群参数来把一个种群分层以便更好地表征个体。该方法没有考虑一个人随时间可能发生的变化，因此不能可靠地估计剂量。
药代动力学分区建模对于某些药物获得了成功，但是因为该模型是静态的并且无法适应于一个种群或一个病人中的变化，因此对于动态地确定药物剂量而言它们也是不合需要的。
已经使用类似技术研制出专家系统来预测用于免疫抑制剂药物的药物剂量(例如，见美国专利No.5,365,948，5,542,436，和5,694,950)。但是，这些算法不是通用的，并且仅使用免疫抑制剂血液浓度。每个算法专用于一个单独的免疫抑制剂药物。按照实际情况来说，这些发明不能应用于其它药物，并且不具有非线性反馈环路机制。
发明总结
根据本发明，通过图1的流程图所示的循环事件系列进行病人的定量给药。在初始检查后，一个内科医生给一个病人开出和服用一个初始剂量药物(治疗药)。该初始剂量基于在药物标签上记录的由FDA推荐的剂量。该内科医生根据病人对药物的反应反复进行定量给药，以进一步重新定义该药物剂量。过多的药物可能造成病人遭受中毒药物反应，此时需要减小药物剂量。过小药物剂量可能造成病人未能接收该药物治疗所应给予的好处，此时应该增加药物剂量。
本发明的优选实施例要求一个内科医生基于该药物的代用标记确定病人对药物的反应百分比。然后利用一个关系，其使用上述输入参数确定病人的下一个剂量。本发明具有两个优选实施例；一个实施例使用实际的数字代用标记来计算一个剂量，另一个实施例使用百分比作为代用标记的数字输入。
【附图说明】
图1显示根据此处描述的发明方法的一个过程的流程图，通过该过程确定一个药物的修订剂量。
图2显示根据本发明用于计算药物的修订剂量的装置。
本发明的详细说明
本发明的方法用于在治疗一个接受任何药物的病人时优化治疗和防止药物不良反应，该方法可以以两个不同的实施例实施，将分别描述这两个实施例。图1显示使用该专家系统治疗病人的总体过程的流程图。但是，实际的专家系统仅执行该流程图的方框10和12中所示的步骤。
该专家系统包括如图2所示的一个通用计算机，该通用计算机包括：一个输入装置，最好是一个键盘20和/或一个鼠标22；一个输出装置30，最好是一个视频显示屏；一个数据存储装置50，最好是一个硬盘驱动器；和一个处理器。该专家计算机程序接收来自一个内科医生的关于该病人的当前药物剂量的输入数据，该药物的最大剂量范围，和基于用于监测该药物的代用标记的病人百分比反应。进一步的特征在于，病人对最后一个定量给药周期的反应以及剂量反应恒定。这允许专家系统基于病人对该药物的个体反应来区别处理病人的定量给药。该系统基于内科医生的数据输入来计算一个修订剂量。本发明的软件部分包括：一个用户接口部分100以接收输入数据和输出修订的剂量信息；和一个数据分析部分110，基于输入数据计算新的剂量信息。
数字代用标记实施例
一个内科医生基于药物标签上由FDA推荐的剂量开出一个病人的药物。然后，该内科医生通常每天亲自或远程地(这取决于开出的药剂)重新评价该病人。在内科病人的后续评价过程中，监测代用标记并连续地进行比较以确定是否存在与该药物相关联的毒性。还将评价该代用标记以确定是否获得希望的药物效果。基于内科医生的评价，把当前药物剂量、当前药物数字标记、希望的药物数字标记、和先前药物数字标记输入到该实施例中，并基于下面的等式计算新药物剂量：
NDD＝CDD-{[<(CDNM-DDNM)/CDNM>/<1+(CDD/HIGH)>]×CDD}+LV
其中：
LV＝{(RESPONSE×CDD)×[(1+D)-(1+E)]/abs(1+D)}/[1.3^(CDD/HIGH)]
E＝(CDNM-PDNM)
D＝(DDNM-PDNM)
并且其中：
NDD＝新药物剂量
CDD＝当前药物剂量
CDNM＝当前药物数字标记
DDNM＝希望的药物数字标记
PDNM＝先前的药物数字标记
HIGH＝输入参数，是一个特定药物的高剂量范围
RESPONSE＝可用于区别处理病人剂量的总剂量百分比
1.3^(CDD/HIGH)＝1.3的(CDD/HIGH)次方。
百分比代用标记实施例
在该优选实施例中，一个内科医生基于药物标签上由FDA推荐的剂量给一个病人开出一个药物。然后，该内科医生通常每天亲自或远程地(取决于所开出的药剂)重新评价该病人。在内科医生的后续评价过程中，监测代用标记并连续地进行比较以确定是否存在任何与该药物相关联的毒性。还评价该代用标记以确定是否获得了希望的药物效果。基于内科医生的该评价，把当前药物剂量、和基于代用标记病人对最后一次定量给药的百分比反应输入到该系统中，并基于以下等式计算新药物剂量：
NDD＝CDD-{[<(PDR-100)/PDR>/<1+(CDD/HIGH)>]×CDD}+LV
其中：
LV＝{(RESPONSE×CDD)×[(100-RES)×0.01]}/[1.3^(CDD/HIGH)]
并且其中：
NDD＝新药物剂量
CDD＝当前药物剂量
PDR＝病人对代用标记的百分比反应
RES＝基于代用标记病人对最后一次定量给药的百分比反应
HIGH＝输入参数，是一个特定药物的高剂量范围
RESPONSE＝可用于区别处理病人剂量的总剂量百分比
1.3^(CDD/HIGH)＝1.3的(CDD/HIGH)次方。
只要病人需要摄入药物，数字代用标记的重复重新评价的循环就连续进行。
已经描述了本发明的两个实施例，一个实施例使用数字标记，另一个实施例使用百分比代用标记。尽管已经出于例示目的在前面详细描述了本发明，应该理解，这些细节仅用于例示目的，本领域技术人员在不偏离本发明的所附权利要求及其等同物所定义的精神和范围的条件下，可以进行各种变型。