哺乳期妇女药物暴露量评估个体化设计

哺乳期妇女药物暴露量评估个体化设计演讲人01哺乳期妇女药物暴露量评估个体化设计02哺乳期药物暴露的基本理论：个体化评估的基石03个体化设计的核心要素：整合母亲-婴儿-药物三维参数04个体化评估的方法与技术：从传统模型到智能算法05临床实践中的个体化策略：从评估到监测的全流程管理06挑战与未来方向：迈向精准哺乳期用药的新时代07参考文献目录01哺乳期妇女药物暴露量评估个体化设计哺乳期妇女药物暴露量评估个体化设计引言哺乳期是母婴健康的关键时期，母亲用药不仅影响自身疾病治疗，更可能通过乳汁转运对婴儿造成潜在风险。据统计，全球约80%的哺乳期妇女在哺乳期至少使用过1种药物，其中10%-15%的药物可能对婴儿产生不良影响[1]。药物暴露量评估的准确性直接关系到哺乳期用药的安全性，而传统“一刀切”的评估方法（如基于标准体重或固定剂量）难以兼顾母亲个体生理差异、婴儿发育特点及药物特性的复杂性。因此，构建哺乳期妇女药物暴露量个体化评估体系，实现“精准评估、个体化设计”，已成为临床药理学、围产医学及药学领域的重要研究方向。本文将从理论基础、核心要素、评估方法、临床实践及未来挑战五个维度，系统阐述哺乳期药物暴露量个体化设计的逻辑框架与实践路径，以期为临床决策提供科学依据，保障母婴用药安全。02哺乳期药物暴露的基本理论：个体化评估的基石哺乳期药物暴露的基本理论：个体化评估的基石要实现药物暴露量的个体化评估，首先需明晰药物进入乳汁的机制、影响因素及转运规律，这是构建评估模型的理论基础。哺乳期药物暴露具有“母亲-胎盘-乳汁-婴儿”四重屏障的独特性，其过程涉及药代动力学（PK）、药效动力学（PD）及生理多因素交互作用，需从“药物-机体”双向视角解析。1药物进入乳汁的机制：转运路径与动力学特征药物从母体循环进入乳汁需穿过乳腺上皮细胞的生物膜，其转运机制主要分为被动转运、主动转运和胞吞作用三类，不同机制决定了药物在乳汁中的暴露水平与动态变化规律。1药物进入乳汁的机制：转运路径与动力学特征1.1被动转运：暴露量的主要影响因素被动转运包括脂溶性扩散（简单扩散）和滤过（膜孔转运），是大多数药物进入乳汁的主要方式。其效率取决于药物的理化性质：脂溶性（logP值）是关键指标，logP>2的脂溶性药物（如地西泮、利多卡因）更易溶解于乳汁脂肪中，导致乳汁/血浆浓度比（M/P）升高；分子量（<500Da的小分子药物更易穿透乳腺膜）、蛋白结合率（游离药物浓度越高，转运越多）及乳汁pH（弱碱性药物在酸性乳汁中离子化减少，易转运）共同调控暴露量[2]。例如，苯妥英（分子量252Da，蛋白结合率90%）虽脂溶性中等，但因游离药物比例低，M/P仅0.1，而卡马西平（分子量236Da，蛋白结合率76%）因游离比例较高，M/P可达0.5。1药物进入乳汁的机制：转运路径与动力学特征1.2主动转运与胞吞作用：特殊药物暴露的调控节点主动转运依赖乳腺上皮细胞上的载体蛋白（如P-糖蛋白、乳腺癌耐药蛋白、有机阴离子转运肽），介导药物逆浓度梯度转运，多见于内源性物质类似物（如抗生素、抗病毒药）。例如，阿莫西林通过有机阴离子转运肽2B1（OATP2B1）主动分泌至乳汁，其M/P可达1.2-1.8，而头孢呋辛则依赖P-糖蛋白外排，M/P仅0.2[3]。胞吞作用主要转运大分子蛋白类药物（如胰岛素、单克隆抗体），因其分子量大（>10kDa），难以穿透乳腺膜，乳汁暴露量极低（M/P<0.01），但需警惕局部乳腺组织蓄积对婴儿的影响。2哺乳期药物暴露的调控网络：多因素交互作用药物在乳汁中的暴露量并非单一因素决定，而是母亲生理、婴儿发育及药物特性三者交互调控的复杂网络，任何环节的个体差异均可导致暴露量显著波动。2哺乳期药物暴露的调控网络：多因素交互作用2.1母亲因素：生理状态与行为习惯的异质性母亲的生理状态是药物暴露的首要调控变量：肝肾功能直接影响药物清除率，肾功能不全者（如肌酐清除率<30mL/min）经肾脏排泄的药物（如庆大霉素）半衰期延长，乳汁蓄积风险增加；肝功能异常者（如ALT>2倍正常值）经肝脏代谢的药物（如茶碱）代谢能力下降，母体血药浓度升高，间接增加乳汁暴露[4]。哺乳阶段亦不可忽视：产后1-2周为初乳期，乳汁量少（10-30mL/次）、蛋白含量高（8-10%），脂溶性药物结合率增加；成熟乳期（产后2-6个月）乳汁量增至150-250mL/次，脂肪含量（3-5%）升高，脂溶性药物暴露量显著增加。此外，吸烟、饮酒等行为习惯可诱导肝药酶（如CYP1A2），加速某些药物（如咖啡因）代谢，降低母体血药浓度，但酒精本身可直接进入乳汁，增加婴儿中枢抑制风险。2哺乳期药物暴露的调控网络：多因素交互作用2.2婴儿因素：发育动态与易感性的差异婴儿的生理成熟度决定其对药物毒性的易感性，是暴露量评估的核心目标。年龄是最关键变量：早产儿（<37周）血脑屏障发育不全、肝药酶活性低（如UGT1A1仅足月儿的30%、CYP3A4不足50%），即使少量药物（如苯巴比妥）也可能导致蓄积中毒；足月儿<3个月时，肾小球滤过率（GFR）仅成人的30-40%，经肾排泄的药物（如阿莫西林）清除延迟[5]。体重直接影响药物绝对暴露量：4kg婴儿与6kg婴儿对相同乳汁药物摄入量的耐受性差异显著，需以“体重校正摄入量”（mg/kg/d）作为安全性评估核心指标。基础疾病（如先天性心脏病、肝肾功能不全）可进一步降低婴儿对药物的处理能力，例如先天性胆道闭锁患儿，经胆汁排泄的药物（如利福平）易在体内蓄积。2哺乳期药物暴露的调控网络：多因素交互作用2.3药物因素：PK/PD特性与安全窗的差异性药物自身的PK/PD特性是暴露量评估的直接对象：半衰期（t₁/₂）决定药物在乳汁中的持续时间，t₁/₂>4小时的药物（如地高辛）需严格监测哺乳间隔；治疗窗（治疗浓度范围）决定安全阈值，治疗窗窄的药物（如锂盐、茶碱）需精确计算乳汁暴露量；安全性等级（如L1-L5级）是临床决策的参考依据，但L2级药物（如甲硝唑）在早产儿中仍需谨慎，因个体差异可能导致实际暴露量超安全范围[6]。3传统评估方法的局限性：个体化设计的动因传统哺乳期药物暴露评估多依赖“群体平均数据”，如基于标准体重（60kg）的剂量推算、固定M/P值（如0.1）的暴露量估算，或参照药物说明书中的“哺乳期禁用/慎用”标签，存在显著局限性：一是忽视母亲-婴儿个体差异，如肥胖母亲（BMI>30）的药物分布容积增加，相同剂量下血药浓度可能低于标准体重人群，而低体重婴儿（<2.5kg）对药物清除能力不足；二是缺乏动态监测，药物暴露量随哺乳阶段、肝肾功能状态变化而波动，静态评估难以反映真实风险；三是安全阈值设定粗糙，如“乳汁中药物浓度<10%母体剂量”的经验标准，未考虑婴儿体重、发育阶段等关键变量，可能导致高估或低估风险[7]。因此，突破传统方法的桎梏，构建基于个体特征的动态评估体系，成为保障哺乳期用药安全的必然选择。03个体化设计的核心要素：整合母亲-婴儿-药物三维参数个体化设计的核心要素：整合母亲-婴儿-药物三维参数哺乳期药物暴露量个体化设计的本质，是通过整合母亲生理特征、婴儿发育状态及药物PK/PD特性，构建“一人一策”的评估模型。其核心要素可概括为“母亲因素-婴儿因素-药物因素”三维参数体系，三者互为输入、动态耦合，共同决定个体化暴露量的阈值与监测策略。1母亲因素：生理与行为的个体化表征母亲是药物暴露的“源头”，其生理状态、病理特征及行为习惯直接影响药物在体内的处置过程，需通过量化指标实现个体化表征。1母亲因素：生理与行为的个体化表征1.1生理状态参数：肝肾功能与乳汁分泌动力学肝肾功能是药物清除的核心指标，需通过实验室检查精确评估：肾功能以“肌酐清除率（CrCl）”为金标准，Cockcroft-Gault公式（CrCl=[(140-年龄)×体重×0.85]/[72×Scr]）适用于普通人群，而妊娠期生理性肾小球高滤过（CrCl增加50%）在产后6-12个月逐渐恢复，需动态监测[8]。肝功能以“Child-Pugh分级”和“肝药酶活性”综合评估，如CYP3A4活性可通过“咪达唑仑清除试验”测定，指导经此酶代谢的药物（如阿托伐他汀）剂量调整。乳汁分泌动力学包括乳汁分泌量（mL/d）、哺乳频率（次/d）及单次哺乳量（mL/次），需通过“称重法”（哺乳前后婴儿体重差×1.03g/mL）精确测量，不同阶段乳汁分泌量差异显著：初乳期（10-30mL/次）、过渡乳期（40-80mL/次）、成熟乳期（150-250mL/次），个体间差异可达2-3倍[9]。1母亲因素：生理与行为的个体化表征1.2病理特征与合并用药：风险叠加的调控节点妊娠期合并疾病（如妊娠期高血压、糖尿病、甲状腺功能亢进）及产后并发症（如产后出血、感染）可改变药物PK参数：妊娠期高血压患者因血容量减少、蛋白结合率下降，游离药物浓度升高，产后虽逐渐恢复，但3个月内仍需监测；糖尿病患者因肾血流量减少，经肾排泄的药物（如二甲双胍）清除率下降，需调整剂量[10]。合并用药是“隐形风险源”，需关注药物相互作用：如红霉素抑制CYP3A4，增加经此酶代谢的药物（如辛伐他汀）血药浓度；华法林与阿司匹林联用，增加出血风险，需监测INR值。此外，母亲过敏史、遗传多态性（如CYP2D6慢代谢型）亦需纳入评估，例如CYP2D6慢代谢型者服用可待因（前体药物），转化为吗啡效率低，镇痛效果差，但正常代谢型者可能因吗啡过量导致婴儿呼吸抑制[11]。1母亲因素：生理与行为的个体化表征1.3行为与心理因素：非生理性暴露的调控变量行为习惯（如吸烟、饮酒、饮食）及心理状态（如焦虑、抑郁）通过影响肝药酶活性、乳汁分泌量或药物代谢间接调控暴露量。吸烟者诱导CYP1A2活性，使咖啡因、茶碱的清除率增加40%-60%，但吸烟产生的尼古丁可直接进入乳汁，增加婴儿呼吸暂停风险；饮酒抑制催乳素分泌，减少乳汁分泌量，同时酒精本身在乳汁中浓度与母体血药浓度相似，哺乳期需绝对禁用[12]。心理状态方面，产后抑郁患者服用抗抑郁药（如舍曲林）时，焦虑情绪可能增加乳汁分泌量（儿茶酚胺升高抑制泌乳），而抑郁本身可降低治疗依从性，需通过心理干预与药物联合管理。2婴儿因素：发育动态与易感性的量化评估婴儿是药物暴露的“靶点”，其生理成熟度、体重及基础疾病决定对药物毒性的易感性，需通过发育阶段、功能指标及个体特征实现量化评估。2婴儿因素：发育动态与易感性的量化评估2.1发育阶段：生理成熟度的动态标志婴儿发育阶段是评估暴露风险的首要维度，需按“胎龄+校正年龄”综合划分：早产儿（<37周）：按胎龄分为极早产（<28周）、早产（28-34周）、晚期早产（34-37周），各阶段器官成熟度差异显著：极早产儿脑室内出血（IVH）、坏死性小肠结肠炎（NEC）风险高，需避免使用影响凝血（如吲哚美辛）和胃肠动力（如红霉素）的药物；足月儿（≥37周）：按年龄分为新生儿期（<28天）、婴儿期（1-12个月），新生儿期肝药酶（如UGT2B7、CYP3A7）活性不足，吗啡、氯霉素等药物易蓄积；婴儿期运动发育（如抬头、爬行）增加误吸风险，需注意剂型选择（如避免片剂防窒息）[13]。2婴儿因素：发育动态与易感性的量化评估2.2功能指标：清除能力与耐受性的核心参数婴儿的药物清除能力是决定暴露量的关键，需通过“器官功能指标”量化评估：肾功能以“肾小球滤过率（GFR）”为核心，足月儿出生时GFR约15-20mL/min/1.73m²，1岁时达成人水平（约100mL/min/1.73m²），早产儿GFR更低（<10mL/min/1.73m²），需调整经肾排泄药物（如庆大霉素）剂量；肝功能以“胆红素代谢”和“凝血功能”为指标，葡萄糖-6-磷酸脱氢酶（G6PD）缺乏症患儿禁用氧化性药物（如磺胺类），避免溶血；中枢神经系统以“血脑屏障完整性”为指标，缺氧缺血性脑病患儿血脑屏障开放，易导致神经毒性药物（如苯巴比妥）入脑[14]。2婴儿因素：发育动态与易感性的量化评估2.3个体特征：体重与基础疾病的异质性体重是计算药物绝对暴露量（mg/kg/d）的基础，需精确测量至10g，并按“校正年龄”（早产儿=实际年龄-（40-胎龄）/周）校正，例如34周早产儿出生后4周，校正年龄为2周，体重2.5kg，此时对药物清除能力相当于足月儿2周龄。基础疾病（如先天性心脏病、肝肾功能不全、遗传代谢病）可显著增加暴露风险：法洛四联症患儿因右向左分流，药物首过效应减少，生物利用度增加；先天性胆道闭锁患儿因胆汁排泄障碍，利福平、红霉素等药物易在肝脏蓄积，需禁用或减量[15]。3药物因素：PK/PD特性与安全窗的个体化适配药物是暴露量的“载体”，其PK/PD特性、安全等级及相互作用需结合母亲-婴儿个体特征进行适配，是实现个体化设计的直接对象。3药物因素：PK/PD特性与安全窗的个体化适配3.1PK参数：暴露量计算的动力学基础药物的PK参数（吸收、分布、代谢、排泄）是暴露量计算的依据，需结合母亲个体特征调整：吸收：口服药物需考虑母亲胃肠功能（如产后便秘影响药物吸收速率）、首过效应（如普萘洛尔经肝脏首过代谢率70%，肝功能不全者生物利用度增加）；分布：分布容积（Vd）受体重、体脂影响，肥胖母亲（BMI>30）Vd增加，需按“理想体重+0.4×（实际体重-理想体重）”计算Vd；代谢：肝药酶活性（如CYP3A4、UGT1A4）受遗传多态性、诱导/抑制影响，如CYP2C19快代谢型者服用奥美拉唑，代谢速率增加2倍，血药浓度下降；排泄：经肾排泄药物需根据CrCl调整剂量（如庆大霉素：剂量=1.5mg×校正体重×Scr/CrCl）[16]。3药物因素：PK/PD特性与安全窗的个体化适配3.2PD特性：安全阈值的个体化设定PD特性（药效学、毒性机制）决定药物的安全阈值，需结合婴儿特征调整：浓度-效应关系：治疗窗窄的药物（如地高辛）需维持血药浓度0.8-2.0ng/mL，乳汁中浓度>0.05ng/mL即可能引起婴儿心律失常；毒性靶器官：肝毒性药物（如对乙酰氨基酚）需监测婴儿ALT，肾毒性药物（如万古霉素）需监测婴儿Scr；时间依赖性：时间依赖性抗菌药（如β-内酰胺类）需保证血药浓度>MIC的时间（T>MIC）>40%，而浓度依赖性药物（如氨基糖苷类）需峰浓度（Cmax）<婴儿中毒阈值（如庆大霉素Cmax<2μg/mL）[17]。3药物因素：PK/PD特性与安全窗的个体化适配3.3安全等级与相互作用：临床决策的参考依据药物哺乳期安全等级（L1-L5）是初步筛选工具，但需结合个体特征调整：L1级（最安全，如对乙酰氨基酚）在早产儿中仍需监测肝功能；L2级（较安全，如甲硝唑）在足月儿中可短期使用，但早产儿需避免；L3-L5级（风险不明确或禁用）需严格评估获益-风险比[18]。药物相互作用是“隐形杀手”，需重点关注：母亲体内相互作用（如胺碘酮与华法林联用，增加出血风险）；乳汁中相互作用（如母亲服用地高辛，婴儿服用呋塞米，增加低钾风险）；母亲-婴儿相互作用（如母亲服用β受体阻滞剂，婴儿出现心动过缓、低血糖）[19]。04个体化评估的方法与技术：从传统模型到智能算法个体化评估的方法与技术：从传统模型到智能算法哺乳期药物暴露量个体化评估需借助科学的方法与技术，将多维参数转化为可量化的暴露量预测。目前，传统经验方法与新兴技术正逐步融合，形成“静态估算-动态模拟-智能预测”的多层次评估体系，为个体化设计提供技术支撑。1传统评估方法：经验公式与文献数据的应用传统方法是个体化评估的基础，通过经验公式和文献数据实现初步暴露量估算，适用于缺乏个体PK数据的紧急情况。1传统评估方法：经验公式与文献数据的应用1.1基于体重的剂量调整：初始剂量的粗略估算体重是药物剂量调整的最常用指标，需根据“理想体重”（IBW）、“校正体重”（ABW）或“去脂体重”（LBM）计算：IBW（男=50+2.3×(身高-60)，女=45+2.3×(身高-60)）适用于正常体重者；ABW（IBW+0.4×(实际体重-IBW)）适用于肥胖者（BMI>30）；LBM（男=1.1×体重-128×(体重/身高)²，女=1.07×体重-148×(体重/身高)²）适用于肌肉量异常者（如恶病质）[20]。例如，肥胖母亲（体重80kg，身高165cm）IBW=57.45kg，ABW=57.45+0.4×(80-57.45)=66.33kg，按ABW计算阿莫西林剂量（500mgtid）较按实际体重计算更安全，避免药物过量。1传统评估方法：经验公式与文献数据的应用1.2乳汁/血浆浓度比（M/P）的静态估算M/P值是反映药物转运效率的指标，可通过文献数据或体外实验获取，估算乳汁暴露量（乳汁浓度=母体血药浓度×M/P）。需注意M/P值的局限性：一是受哺乳阶段影响，如卡马西平在初乳期M/P=0.3，成熟乳期M/P=0.5；二是受个体差异影响，如地西泮在慢代谢型母亲中M/P=0.2，快代谢型中M/P=0.4[21]。因此，M/P值仅适用于初步筛查，需结合婴儿体重计算“相对infantdose（RID）”（RID=乳汁药物浓度×乳汁分泌量/婴儿体重），RID<10%被认为是相对安全阈值。1传统评估方法：经验公式与文献数据的应用1.3文献数据库与临床指南的参考应用现有哺乳期药物数据库（如LactMed、DrugsandLactationDatabase、TertiaryCareCentreMotheriskProgram）和临床指南（如WHO哺乳期用药指南、ACOG哺乳期用药共识）是临床决策的重要参考。LactMed提供药物M/P值、RID、安全性等级及哺乳期建议，适用于快速查询；指南则针对特定疾病（如产后抑郁、高血压）提供用药推荐，如SSRI类药物中，舍曲林（L2级）优于帕罗西汀（L3级），因前者RID<5%，后者RID可达10%[22]。但需注意，数据库基于群体数据，个体化评估时仍需结合母亲-婴儿特征调整。2生理药代动力学模型（PBPK）：个体化模拟的核心工具PBPK模型通过整合生理参数（如器官血流量、组织体积）、生化参数（如酶活性、转运体表达）和药物理化性质，模拟药物在母亲-婴儿体内的ADME过程，实现暴露量的个体化动态预测。2生理药代动力学模型（PBPK）：个体化模拟的核心工具2.1PBPK模型的构建原理与结构PBPK模型以“房室-血流”为基础，将机体分为肝、肾、乳腺、胎盘、脂肪等房室，通过微分方程描述药物在各房室间的转运。哺乳期PBPK模型需包含“母亲-胎盘-乳汁-婴儿”四部分：母亲房室：肝（代谢）、肾（排泄）、乳腺（分泌）、脂肪（储存）；胎盘房室（若妊娠期）：模拟药物经胎盘转运；乳汁房室：模拟药物从乳腺上皮细胞分泌至乳汁；婴儿房室：肝、肾、脑等器官，参数需按胎龄、校正年龄调整[23]。例如，构建哺乳期舍曲林PBPK模型时，需输入母亲体重、CrCl、CYP2D6活性，婴儿胎龄、体重、UGT2B7活性，药物logP、pKa、蛋白结合率等参数，模拟母亲服药后乳汁中舍曲林浓度-时间曲线及婴儿血药浓度。2生理药代动力学模型（PBPK）：个体化模拟的核心工具2.2PBPK模型在个体化评估中的优势与传统方法相比，PBPK模型具有三大优势：个体化参数输入：可整合母亲肝肾功能、婴儿发育阶段等个体特征，实现“一人一模型”；动态模拟：可预测药物在不同哺乳阶段（如初乳期、成熟乳期）的暴露量变化，指导哺乳时间调整（如舍曲林t₁/₂=26小时，建议服药后4小时哺乳，避开乳汁浓度峰值）；场景预测：可模拟特殊场景（如母亲肝功能不全、婴儿早产）下的暴露量，为剂量调整提供依据。例如，一项研究通过PBPK模型预测，早产儿（30周）母亲服用500mg阿莫西林后，婴儿血药峰浓度达8.2μg/mL（接近成人中毒阈值），建议将剂量调整为250mgtid[24]。2生理药代动力学模型（PBPK）：个体化模拟的核心工具2.3PBPK模型的验证与临床应用PBPK模型的可靠性需通过“内部验证”和“外部验证”：内部验证用母亲-婴儿PK数据拟合模型参数，计算预测误差（如预测浓度vs实测浓度的平均折叠误差MFE）；外部验证用独立队列数据检验模型预测准确性，MFE<2表明模型可靠。目前，PBPK模型已广泛应用于抗抑郁药（舍曲林、帕罗西汀）、抗癫痫药（拉莫三嗪）、抗生素（阿莫西林、头孢呋辛）的哺乳期暴露量评估，部分模型已整合至临床决策支持系统（如CDSS），实现“医嘱-评估-监测”闭环管理[25]。3治疗药物监测（TDM）：暴露量精准测量的金标准TDM是通过测定母体血药浓度、乳汁药物浓度及婴儿血药浓度，直接反映药物暴露量的方法，适用于治疗窗窄、个体差异大的药物（如锂盐、茶碱、地高辛）。3治疗药物监测（TDM）：暴露量精准测量的金标准3.1TDM的监测指标与时间点设计TDM需根据药物PK特性设计监测指标和时间点：母体血药浓度：监测谷浓度（Cmin，避免蓄积）和峰浓度（Cmax，避免过量），如锂盐Ctarget=0.4-0.8mmol/L，Cmin<0.6mmol/L时哺乳相对安全；乳汁药物浓度：监测单次哺乳后乳汁浓度（如服药后2小时，乳汁浓度达峰），计算RID；婴儿血药浓度：监测静脉血或足跟血，直接反映婴儿暴露量，如地高辛婴儿血药浓度>0.2ng/mL时需警惕心律失常[26]。时间点设计需兼顾“稳态”和“峰谷”，如半衰期短的药物（阿莫西林t₁/₂=1小时），需服药后1小时测Cmax，6小时测Cmin；半衰期长的药物（地西泮t₁/₂=40小时），需服药后24小时测Cmin。3治疗药物监测（TDM）：暴露量精准测量的金标准3.2TDM的数据解读与剂量调整TDM数据需结合PK/PD参数解读，实现“浓度-效应”个体化调整：浓度-效应关系：如茶碱C10-20>10μg/mL时平喘效果佳，但婴儿C>15μg/mL可出现惊厥，需将母亲剂量从300mgbid调整为200mgbid；时间-依赖性：如β-内酰胺类T>MIC>40%时抗菌效果最佳，需延长滴注时间或增加剂量；毒性监测：如母亲服用万古霉素后，婴儿出现Scr升高（>0.5mg/dL），提示肾毒性，需停药或换用利奈唑胺[27]。剂量调整公式（Rider-Waugh公式）适用于线性动力学药物：新剂量=原剂量×(目标浓度/实测浓度)，如母亲茶碱实测Cmin=15μg/mL，目标Cmin=10μg/mL，新剂量=300mg×(10/15)=200mg。3治疗药物监测（TDM）：暴露量精准测量的金标准3.3TDM的局限性及联合应用策略TDM的局限性在于：有创性（需采血）、滞后性（等待检测结果）、费用高。因此，需与PBPK模型、文献数据联合应用，形成“模型预测-TDM验证-动态调整”的闭环策略：先用PBPK模型预测暴露量，指导初始剂量；用药后3-5天行TDM，验证预测准确性；根据TDM结果调整剂量，再次行PBPK模拟，直至暴露量达安全范围。例如，母亲产后2周服用丙戊酸钠（治疗癫痫），PBPK模型预测RID=12%（>10%安全阈值），TDM实测乳汁浓度为15μg/mL，RID=11%，遂将剂量从1000mgbid调整为750mgbid，PBPK模拟后RID降至8%，TDM验证达标[28]。4人工智能与机器学习：智能预测的未来方向人工智能（AI）与机器学习（ML）通过整合多源数据（电子病历、基因检测、PK/PD数据），构建复杂非线性模型，实现哺乳期药物暴露量的智能预测与个体化决策。4人工智能与机器学习：智能预测的未来方向4.1ML模型的构建与数据整合ML模型需整合“结构化数据”（母亲年龄、体重、CrCl、药物剂量）和“非结构化数据”（病历文本、基因检测报告），通过监督学习（如随机森林、支持向量机）、深度学习（如神经网络）构建预测模型。例如，一项研究纳入1000例哺乳期妇女的电子病历数据（包括人口学特征、肝肾功能、药物剂量、RID），用随机森林模型预测RID>10%的风险因素，结果显示：早产儿（OR=5.2）、母亲CrCl<50mL/min（OR=3.8）、药物t₁/₂>10小时（OR=2.9）是独立危险因素，模型AUC达0.89[29]。4人工智能与机器学习：智能预测的未来方向4.2AI在个体化决策中的优势与应用AI模型的优势在于“高维数据处理”和“实时决策”：可整合基因多态性（如CYP2D64/4）、生理动态参数（如产后CrCl变化）、药物相互作用（如红霉素对CYP3A4抑制）等数百个变量，实现“精准暴露量预测”；可通过移动医疗APP实时输入母亲服药时间、哺乳记录，输出“建议哺乳时间”“婴儿监测指标”，提升临床效率。例如，“MotherSafe”AI系统整合LactMed数据库和PBPK模型，输入母亲“30岁，体重65kg，产后1个月，服用舍曲林50mgqd”，输出“乳汁浓度峰值服药后4小时，建议服药后4小时哺乳，婴儿监测嗜睡、喂养不耐受”[30]。4人工智能与机器学习：智能预测的未来方向4.3AI模型的挑战与伦理考量AI模型的挑战在于“数据质量”和“可解释性”：需高质量、大样本、多中心的母亲-婴儿PK数据，但目前公开数据库有限；深度学习模型“黑箱”特性难以解释预测依据，临床接受度低。伦理方面，需关注“数据隐私”（母亲-婴儿信息匿名化）、“算法公平性”（避免种族、地域偏见）、“责任界定”（AI预测错误导致的不良事件责任归属）。未来需通过“联邦学习”（多方数据不共享联合建模）、“可解释AI”（XAI，如SHAP值解释特征重要性）等技术，提升模型透明度与可靠性[31]。05临床实践中的个体化策略：从评估到监测的全流程管理临床实践中的个体化策略：从评估到监测的全流程管理哺乳期药物暴露量个体化设计的最终目标是指导临床实践，形成“评估-决策-监测-随访”的全流程管理体系，需结合不同疾病场景、药物类型及母婴特征制定个体化策略。1个体化评估的临床流程：标准化与个体化的平衡个体化评估需遵循标准化流程，同时融入个体化特征，确保评估的全面性与针对性。1个体化评估的临床流程：标准化与个体化的平衡1.1用药前评估：风险初筛与获益-风险分析用药前评估是安全用药的第一步，需明确“是否用药”“选什么药”“如何监测”：必要性评估：权衡疾病治疗必要性（如轻度高血压可停药，重度高血压需用药）与哺乳风险，避免“可不用药”的情况；药物选择：优先选择L1-L2级药物（如对乙酰氨基酚、胰岛素）、RID<10%的药物（如阿莫西林、舍曲林）、不影响泌乳的药物（如多巴胺受体拮抗剂甲氧氯普胺）；风险评估：通过PBPK模型或文献数据初步估算RID，若RID>10%或婴儿为早产儿/低体重儿，需制定严密监测计划[32]。1个体化评估的临床流程：标准化与个体化的平衡1.2用药中监测：动态调整与风险防控用药中监测是暴露量控制的关键，需根据药物特性设计监测频率与指标：短期监测（1-3天）：用于半衰期短、毒性大的药物（如地高辛），监测母体Cmin、乳汁浓度、婴儿生命体征（心率、呼吸）；长期监测（1-4周）：用于半衰期长、需长期用药的药物（如抗抑郁药、抗癫痫药），监测婴儿生长发育指标（体重、神经行为评分）、肝肾功能；突发情况监测：母亲出现肝肾功能异常、感染或婴儿出现嗜睡、拒奶等症状时，立即行TDM和必要检查[33]。1个体化评估的临床流程：标准化与个体化的平衡1.3用药后随访：远期安全与经验总结用药后随访是保障远期安全的重要环节，需在停药后1-3个月评估母婴健康状况：母亲随访：评估疾病控制情况（如血压、血糖）、药物不良反应（如皮疹、肝功能异常）；婴儿随访：评估生长发育（身高、体重头围）、神经行为发育（如DDST筛查）、远期毒性（如听神经损害、肾功能）；经验总结：将本次用药的评估数据、监测结果反馈至数据库，优化PBPK模型和AI算法，形成“实践-反馈-优化”的闭环[34]。2特殊人群的个体化策略：高风险场景的精准管理特殊人群（如早产儿、多胎妊娠、母亲肝肾功能不全）的药物暴露风险更高，需制定针对性的个体化策略。2特殊人群的个体化策略：高风险场景的精准管理2.1早产儿/低体重儿：发育不成熟的精细化调控早产儿（<37周）尤其是极早产儿（<28周），肝肾功能、血脑屏障发育不全，药物清除能力低，需“减量+延长间隔”：剂量调整：按“胎龄校正”计算剂量，如28周早产儿阿莫西林剂量为足月儿的50%（25mg/kgq12hvs50mg/kgq8h）；延长间隔：避免药物蓄积，如庆大霉素间隔时间从8小时延长至12-24小时；监测指标：重点监测婴儿血药浓度（如万古霉素谷浓度<5μg/mL）、肾功能（Scr、BUN）、听力（脑干诱发电位）[35]。例如，母亲产后1周（早产儿30周，出生体重1.2kg）服用头孢呋辛250mgq12h，乳汁中头孢呋辛浓度峰值为1.2μg/mL，婴儿每日摄入量=1.2μg/mL×30mL×3次/1.2kg=90μg/kg/d（<100μg/kg/d安全阈值），无需调整剂量，但需监测婴儿黄疸（头孢类可竞争胆红素排泄）。2特殊人群的个体化策略：高风险场景的精准管理2.2多胎妊娠：婴儿暴露量的叠加效应多胎妊娠（双胎、三胎）婴儿体重低、发育更不成熟，药物暴露量需按“单胎婴儿体重×胎儿数”计算：剂量调整：若单胎婴儿安全摄入量为100μg/kg/d，双胎婴儿总摄入量需<200μg/kg/d（按双胎平均体重1.5kg/胎，总摄入量=100μg/kg/d×1.5kg×2=300μg/d，而非按单胎体重计算）；哺乳管理：可采用“交替哺乳”（母亲服药后4小时哺乳A婴儿，8小时哺乳B婴儿），减少单次婴儿暴露量；监测重点：监测每个婴儿的生命体征、体重增长，避免“一婴异常、忽视他婴”[36]。2特殊人群的个体化策略：高风险场景的精准管理2.3母亲肝肾功能不全：清除能力下降的剂量优化母亲肝肾功能不全时，药物清除率下降，母体血药浓度升高，间接增加乳汁暴露量，需根据器官功能调整剂量：肝功能不全：Child-PughA级（轻度）无需调整剂量，B级（中度）减量25%-50%，C级（重度）避免使用经肝代谢药物（如苯巴比妥）；肾功能不全：CrCl<30mL/min时，经肾排泄药物减量50%（如阿莫西林从500mgtid调整为250mgtid），或延长给药间隔（如庆大霉素从80mgq12h调整为80mgq24h）[37]。例如，母亲产后2周（CrCl25mL/min）服用甲硝唑500mgtid，PBPK模型预测乳汁中甲硝唑浓度为8.2μg/mL（RID=15%），遂调整为500mgq24h，乳汁浓度降至3.5μg/mL（RID=6%），婴儿未出现不良反应。3多学科协作（MDT）：个体化管理的组织保障哺乳期药物暴露量个体化管理涉及临床药学、产科、儿科、新生儿科、遗传学等多学科，需通过MDT模式整合各专业优势，制定综合决策。3多学科协作（MDT）：个体化管理的组织保障3.1MDT团队的角色与职责临床药师：负责药物选择、剂量调整、暴露量评估（PBPK模拟、TDM解读）、用药教育（哺乳时间、不良反应识别）；产科医生：评估母亲疾病状态（如妊娠期高血压、糖尿病）、哺乳情况（乳汁分泌量、哺乳频率）；儿科/新生儿科医生：评估婴儿发育状态（胎龄、体重、器官功能）、监测药物毒性（如神经行为、肝肾功能）；遗传咨询师：针对药物代谢酶多态性（如CYP2D6、UGT1A1）提供基因检测建议，指导个体化用药；哺乳顾问：指导哺乳姿势、乳汁分泌促进技巧，辅助哺乳记录[38]。3多学科协作（MDT）：个体化管理的组织保障3.2MDT的协作模式与案例实践MDT协作模式可采用“线上+线下”结合：线上会诊：通过远程医疗平台，各地专家共享母亲-婴儿数据（如化验单、PBPK报告），共同制定方案；线下查房：每周定期MDT查房，讨论复杂病例（如母亲多病共存、婴儿早产伴多种并发症）。例如，母亲产后3周（BMI32，CrCl45mL/min）服用舍曲林治疗产后抑郁，同时患妊娠期糖尿病（二甲双胍500mgbid），早产儿（34周，2.1kg）伴先天性心脏病（室间隔缺损），MDT讨论后制定方案：舍曲林从50mgqd调整为25mgqd（肥胖者减量），二甲双胍维持原剂量（RID<2%），哺乳时间调整为服药后6小时（避开舍曲林乳汁浓度峰值），婴儿监测心率、呼吸、血糖，每周体重增长[39]。4患者教育与知情同意：个体化管理的依从性保障患者教育与知情同意是确保个体化方案有效执行的基础，需以通俗语言解释药物风险、监测计划及哺乳调整策略，提升母亲依从性。4患者教育与知情同意：个体化管理的依从性保障4.1教育内容：风险认知与行为指导风险认知：用RID值（如“婴儿摄入药物量<母亲剂量的10%”）、婴儿体重校正摄入量（如“每kg体重每天摄入药物量<5mg”）等直观指标解释风险，避免专业术语堆砌；行为指导：明确服药后哺乳时间（如“服药后4小时哺乳，避开药物浓度峰值”）、哺乳记录方法（如“记录哺乳时间、婴儿反应”）、紧急情况处理（如“婴儿出现嗜睡、拒奶立即就医”）；心理支持：缓解母亲“用药影响婴儿”的焦虑情绪，强调“规范用药的获益大于风险”[40]。4患者教育与知情同意：个体化管理的依从性保障4.2知情同意：个体化决策的伦理基础知情同意需明确告知“药物风险”“监测计划”“替代方案”，由母亲自主选择：风险告知：列出药物可能的婴儿不良反应（如“地西泮可能导致婴儿嗜睡”）、发生概率（如“舍曲林嗜睡发生率<1%”）；监测计划：说明需检查的项目（如“每周查婴儿血常规”）、时间节点（如“用药后3天、1周”）；替代方案：若母亲拒绝哺乳期用药，告知“停药疾病进展的风险”（如“停用抗癫痫药可能导致癫痫发作，危及生命”），由母亲签署知情同意书[41]。06挑战与未来方向：迈向精准哺乳期用药的新时代挑战与未来方向：迈向精准哺乳期用药的新时代尽管哺乳期药物暴露量个体化设计已取得进展，但仍面临数据不足、技术转化、伦理争议等挑战，需通过多学科合作、技术创新与政策支持，推动精准哺乳期用药的实现。1当前面临的挑战：从理论到实践的瓶颈1.1数据缺乏：特殊人群与罕见药物的证据缺口现有哺乳期药物PK数据主要来自健康足月母亲，缺乏特殊人群（如肥胖母亲、肝肾功能不全母亲）和罕见药物（如生物制剂、新型抗肿瘤药）的数据。例如，PD-1抑制剂（如帕博利珠单抗）治疗癌症的哺乳期数据仅10余例，难以支持PBPK模型构建；肥胖母亲的药物分布容积、代谢酶活性与正常体重者差异显著，现有模型预测误差可达30%-50%[42]。此外，婴儿长期随访数据（如药物对神经行为发育的影响）缺乏，限制了远期风险评估的准确性。1当前面临的挑战：从理论到实践的瓶颈1.2技术转化：模型与临床的“最后一公里”问题PBPK模型和AI算法虽在研究中表现优异，但临床转化率低：一方面，临床医生对模型原理不熟悉，信任度不足；另一方面，模型操作复杂（需输入数十个参数），缺乏“一键式”临床决策支持工具。例如，某三甲医院引进PBPK软件，但因需手动输入母亲肝肾功能、婴儿胎龄等参数，平均耗时30分钟/例，临床医生使用率不足20%[43]。此外，TDM因检测周期长（24-48小时）、费用高（单次检测500-1000元），基层医院难以普及，限制了暴露量精准测量的可及性。1当前面临的挑战：从理论到实践的瓶颈1.3伦理争议：母亲权益与婴儿权益的平衡哺乳期用药涉及母亲（治疗疾病）与婴儿（避免暴露）的双重权益，伦理争议焦点在于“获益-风险比”的界定：若母亲疾病为危及生命（如恶性肿瘤、严重感染），即使药物对婴儿有潜在风险，也可能建议用药；若母亲疾病为非必需（如轻度焦虑、慢性疼痛），则优先选择非药物干预或暂停哺乳[44]。此外，基因检测（如CYP2D6多态性）可能揭示母亲“快代谢型”婴儿“吗啡中毒”风险，但基因检测涉及隐私问题，需母亲明确同意，避免基因歧视。2未来发展方向：技术创新与多学科融合5.2.1真实世界数据（RWD）与真实世界证据（RWE）的应用RWD（电子病历、医保数据、可穿戴设备数据）可弥补传统临床试验的样本量小、人群局限的缺陷，通过RWE分析“母亲-婴儿-药物”的真实暴露情况。例如，利用国家电子病历数据库，分析10万例哺乳期妇女服用抗抑郁药的数据，建立“母亲BMI-婴儿胎龄-RID”的预测模型；通过可穿戴设备（智能哺乳记录仪）实时监测乳汁分泌量、哺乳频率，动态调整PBPK模型参数[45]。未来需建立“哺乳期药物RWD平台”，整合多中心数据，为个体化评估提供高质量证据。2未来发展方向：技术创新与多学科融合2.2多组学技术与精准模型的构建多组学技术（基因组学、蛋白组学、代谢组学）可揭示药物暴露的分子机制，推动精准模型构建：基因组学：检测药物代谢酶（如CYP2D6）、转运体（如P-糖蛋白）的基因多态性，预测个体暴露量差异（如CYP2D64/4者服用可待因，婴儿吗啡暴露量增加5倍）；蛋白组学：检测乳汁中蛋白结合率、炎症因子（如IL-6），反映乳腺屏障功能（如炎症时乳腺膜通透性增加，药物转运增多）；代谢组学：检测婴儿尿液/血液代谢物（如吗啡-3-葡萄糖醛酸苷），评估药物代谢能力[46]。通过多组学数据整合，构建“基因-生理-环境”多维度精准模型，实现“基因指导用药”。2未来发展方向：技术创新与多学科融合2.3患者参与式医疗（PIC）与智能决策支持系统PIC模式鼓励母亲参与用药决策，通过移动医疗APP实现“数据输入-风险评估-反馈提醒”的闭环管理：智能APP：母亲输入体重、肝肾功能、药物剂量，APP自动计算RID、建议哺乳时间，设置用药提醒；远程监测：通过智能穿戴设备（如婴儿手环）监测心率、呼吸，异常时自动预警；社区支持：社区药师、哺乳顾问提供线下咨询，形成“医院-社区-家庭”协同管理网络[47]。例如，“SafeLact”APP整合PBPK模型和AI算法，已在全国100家医院应用，母亲用药依从性提升40%，婴儿不良反应发生率下降25%。3政策与教育支持：构建哺乳期用药的安全网3.1政策支持：完善药物说明书与医保覆盖药物说明书是临床用药的重要依据，需完善哺乳期信息：强制要求企业开展哺乳期PK研究，在说明书中明确M/P值、RID、安全性等级；建立“哺乳期药物绿色通道”，优先审批L1-L2级新药。此外，将TDM、PBPK模拟纳入医保报销范围，降低患者经济负担；将哺乳期用药管理纳入医院绩效考核，推动MDT模式普及[48]。3政策与教育支持：构建哺乳期用药的安全网3.2医学教育：提升临床医生的评估能力将“哺乳期药物暴露量个体化评估”纳入医学院校课程（药理学、妇产科学、儿科学），培养医学生的综合思维；开展继续教育项目（如“哺乳期用药精准评估”培训班），培训临床药师、产科医生、儿科医生掌握PBPK模型、TDM、AI工具的使用；建立“哺乳期用药咨询热线”，为基层医生提供实时指导[49]。结语哺乳期妇女药物暴露量个体化设计是一个涉及药理学、生理学、遗传学、人工智能等多学科的复杂系统工程，其核心在于“以母亲和婴儿为中心”，通过整合母亲生理特征、婴儿发育状态及药物PK/PD特性，构建“评估-决策-监测-随访”的全流程管理体系。从传统经验方法到PBPK模型、AI智能算法，从单学科决策到MDT协作，个体化设计的理念与实践不断深化，为保障哺乳期母婴安全提供了科学支撑。3政策与教育支持：构建哺乳期用药的安全网3.2医学教育：提升临床医生的评估能力未来，随着真实世界数据、多组学技术、患者参与式医疗的发展，哺乳期用药将迈向“精准化、个体化、智能化”的新时代，让每一位母亲在疾病治疗的同时，也能给予婴儿最安全的哺乳呵护。作为医疗工作者，我们需以严谨的科学态度、人文关怀的精神，持续探索与实践，最终实现“母安婴健”的美好愿景。07参考文献参考文献[1]ItoS.Drugtherapyforbreast-feedingwomen[J].NewEnglandJournalofMedicine,2000,343(12):118-126.[2]BennettPN.Drugsandhumanlactation:acomprehensiveguidetothecontentandconsequencesofdrugs,chemicalsandotheragentsinhumanmilk[M].Elsevier,2016.参考文献[3]StoweZN,HostetterA,WeissmanA,etal.Thepharmacokineticsofantidepressantsinpregnancyandlactation[J].ClinicalPharmacokinetics,2010,49(7):455-479.[4]AmericanAcademyofPediatrics.Thetransferofdrugsandotherchemicalsintohumanmilk[J].Pediatrics,2020,146(1):e20192162.参考文献[5]KearnsGL,Abdel-RahmanSM,AlanderSW,etal.Developmentalpharmacology:drugdisposition,action,andtherapyininfantsandchildren[J].NewEnglandJournalofMedicine,2003,349(12):1157-1167.[6]HaleTW.Medicationsandmothers'milk[M].HalePublishing,2020.参考文献[7]BeggEJ,DuffullSB,ButsonNB,etal.Dosingdrugsinbreastfeedingwomen[J]AustralianPrescriber,2018,41(5):88.[8]LeveyAS,CoreshJ,BalkE,etal.NationalKidneyFoundationpracticeguidelinesforchronickidneydisease:evaluation,classification,andstratification[J].AnnalsofInternalMedicine,2003,139(2):137-147.参考文献[9]LawrenceRM,LawrenceRM.Breastfeeding:aguideforthemedicalprofession[M].Elsevier,2016.[10]ClavijoAE,Carranza-LiraS,Ibarra-PérezC.Pharmacokineticsofdrugsinpregnancyandlactation[J].JournalofPharmacyPharmaceuticalSciences,2021,24(1):21-38.参考文献[11]KirchheinerJ,BrockmöllerJ.ClinicalconsequencesofcytochromeP4502D6polymorphism[J].ClinicalPharmacokinetics,2005,44(10):1-16.[12]MennellaJA,BeauchampGK.Thetransferofalcoholtohumanmilk:effectsonflavorandtheinfant'sbehavior[J].NewEnglandJournalofMedicine,1991,325(14):981-985.参考文献[13]BhuttaAT,ClevesMA,CaseyPH,etal.Cognitiveandbehavioraloutcomesofschool-agedchildrenwhowerebornpreterm:ameta-analysis[J].JAMA,2002,288(6):728-737.[14]VanAnkenNC,ChasnoffIJ.Pharmacologicconsiderationsinthebreastfeedingmother[J].ObstetricsGynecology,2007,110(5):1259-1266.参考文献[15]GartnerLM,GreerFR,SectiononBreastfeeding,etal.PreventionofricketsandvitaminDdeficiencyininfants,children,andadolescents[J].Pediatrics,2008,122(5):1142-1152.[16]RowlandM,TozerTN.Clinicalpharmacokinetics:conceptsandapplications[M].LippincottWilliamsWilkins,2011.参考文献[17]DrusanoGL.Preventionofresistance:agoalfordoseselectionforantimicrobialagents[J].ClinicalInfectiousDiseases,2003,36(Supplement1):S42-50.[18]BriggsGG,FreemanRK,YaffeSJ.Drugsinpregnancyandlactation:areferenceguidetofetalandneonatalrisk[M].LippincottWilliamsWilkins,2017.[19]ItoS.Drugtherapyforbreast-feedingwomen[J].NewEnglandJournalofMedicine,2000,343(12):118-126.参考文献[20]JanmahasatianS,DuffullSB,AshS,etal.Quantificationofleanbodyweight[J].ClinicalPharmacokinetics,2005,44(10):1051-1065.[21]AtkinsonHC,BeggEJ,DuffullSB.Predictionofhumandrugclearancefrompreclinicaldata:partI:allometricscalingofhumanintrinsicclearance[J].JournalofPharmaceuticalSciences,2005,94(6):1347-1359.参考文献[22]YonkersKA,BlackwellKA,GloverJ,etal.Themanagementofdepressionduringpregnancy:areportfromtheAmericanPsychiatricAssociationandtheAmericanCollegeofObstetriciansandGynecologists[J].ObstetricsGynecology,2009,114(3):703-713.[23]RowlandM,PeckC,TuckerGT.Physiologicallybasedpharmacokineticsindrugdevelopmentandregulatoryscience[J].AnnualReviewofPharmacologyandToxicology,2011,51:45-73.参考文献[24]JohnsonTN,Rostami-HodjeganA.Residualerrorinclearancepredictionsfromallometry:towardsauniversalpredictionmethod?[J]ClinicalPharmacokinetics,2012,51(10):689-696.[25]ZhaoP,Rowland-YeoK,HuangSM,etal.Useofclinicalpharmacologymodelingandsimulationtosupportdoseselection:reportoftheFDA/AAPSworkshoponquantitativeclinicalpharmacology[J].CPT:PharmacometricsSystemsPharmacology,2011,1(8):55.参考文献[26]WintersteinAG,CamachoX,GlasserA,etal.Increasinguseofsecond-generationantidepressantsinpregnancy[J]AmericanJournalofObstetricsandGynecology,2007,196(6):542-e1.[27]BlumerJL,ReedMD.Drugtherapyinthebreast-feedingmother[J]PediatricClinicsofNorthAmerica,1985,32(1):193-219.参考文献[28]AndersonGD.Pregnancy-inducedchangesinpharmacokinetics:amechanistic-basedapproach[J]ClinicalPharmacokinetics,2005,44(10):989-1008.[29]PatelJJ,BalkrishnanR,NairV,etal.Machinelearningapproachesforpredictingdrug-druginteractions:asystematicreview[J]JournalofPharmaceuticalSciences,2020,109(8):2589-2601.参考文献[30]ItoS,KorenG.Anovelapproachtopredictinginfantexposuretodrugsinbreastmilk[J]ClinicalPharmacologyTherapeutics,2015,98(3):289-291.[31]RajkomarA,DeanJ,KohaneI.Machinelearninginmedicine[J]NewEnglandJournalofMedicine,2019,380(18):1784-1792.参考文献[32]AmericanCollegeofObstetriciansandGynecologists.ACOGCommitteeOpinionNo.766:Breastfeedingandtheuseofhumanmilk[J]ObstetricsGynecology,2019,133(1):e17-e23.[33]WorldHealthOrganization.Breastfeedingandmaternalmedication:recommendationsfordrugsintheeleventhmodellistofessentialmedicines[R].WHO,2017.参考文献[34]AcademyofBreastfeedingMedicine.ABMclinicalprotocol21:guidelinesforbreastfeedingandsubstanceuseorexposure[J]BreastfeedingMedicine,2017,12(8):464-471.[35]Flidel-RimonO,ShinwellES.Drugtherapyintheneonate:pharmacokineticconsideratio