摘要：

引言：大剂量甲氨蝶呤是一种经典的化疗药物，广泛应用于骨肉瘤的治疗。然而，甲氨蝶呤独特的剂量反应关系使其治疗窗口相对狭窄，临床应用陷入两难境地：要么患者体内的药物浓度无法达到有效浓度水平，要么可能因药物过量而发生不良反应。在这种情况下，监测和预测患者体内的药物浓度是重要且必要的。虽然存在药代动力学模型，但它们往往过于简化患者特异性协变量。本研究通过可解释的机器学习解决了早期暴露预测的未满足需求，在毒性表现之前实现了数据驱动的决策。

方法：本文收集了68例骨肉瘤患者的人口学、给药情况和检测结果等信息。我们分析了医学数据，并使用随机森林选择了10个重要特征，包括水化情况、红细胞分布宽度变异系数、血小板分布宽度、肌酐、γ-谷氨酰转移酶、血小板比值大、血清钾、乳酸脱氢酶、体重和前白蛋白。然后，进行了交叉验证和SHAP分析，以确认模型的鲁棒性和解释性。

结果：在上述基础上，建立了7个机器学习回归模型来预测甲氨蝶呤的血药浓度。评价指标包括：决定系数（R²）、均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）。最后，LightGBM以R²=0.87，MSE=0.020，RMSE=0.141，MAE=0.065的性能，被选为最佳预测模型，。

讨论：该机器学习模型通过实现早期和个性化的血液药物浓度预测，解决了大剂量甲氨蝶呤治疗监测中的一个关键差距，允许根据预测的浓度对患者进行个性化给药。SHAP衍生特征重要性的可解释性提高了临床实用性，为骨肉瘤治疗提供了从反应性毒性管理到主动精确给药的范式转变。