麻醉学药代动力学-药效动力学（PK-PD）建模在实现个体化精准麻醉中扮演着核心角色。本综述系统梳理了该领域从1987年至2024年的关键进展，描绘了其从描述药物体内过程的简单模型，发展到能够整合多种生理变量、甚至实现自动反馈控制的复杂系统的演变轨迹。
1 引言
全身麻醉需要精确的药物管理以达到无意识、无记忆、镇痛、肌肉松弛和自主神经抑制的状态。传统麻醉深度管理依赖于临床医生的经验，存在过量或剂量不足的风险。药代动力学（PK）研究机体对药物的作用（吸收、分布、代谢、排泄），而药效动力学（PD）研究药物对机体的作用（疗效、副作用）。PK-PD模型通过数学方程将两者结合，量化血药浓度与药理效应之间的关系，为精准给药奠定了理论基础。从Guedel的四阶段麻醉分期到现代监测技术，麻醉安全性的提升与对药物体内过程理解的深化密不可分。本综述旨在通过分析过去三十余年的33项关键研究，揭示PK-PD模型如何推动麻醉实践向个体化和自动化方向发展。
2 麻醉建模时间线
2.1 1987-1990：奠基时期
这一时期的研究确立了现代静脉麻醉PK模型的基本框架。Gepts等人（1987）率先提出了描述丙泊酚输注的三室模型，其血药浓度随时间变化的公式为 C(t) = Ae-αt+ Be-βt+ Ce-γt。该模型通过三个指数项分别描述了药物的快速分布、慢速分布和消除相，使得预测恒定速率输注下的稳态血药浓度成为可能，为后续靶控输注（TCI）技术的发展奠定了基础。
2.2 1991-1999：关键发展
上世纪90年代，模型的发展开始关注特定人群和更精细的效应预测。Marsh等人（1991）对Gepts模型进行了改良，通过调整中心室容积（Vc）和微速率常数（如k10, k12, k21），使其适用于儿科患者，显著降低了儿童的用药误差。Minto等人（1997a, 1997b）的工作是另一个里程碑，他们将年龄和瘦体重（LBM）作为协变量引入瑞芬太尼的PK-PD模型，并采用非线性混合效应建模法（如NONMEM软件），显著降低了药物清除率的个体间变异（CV），提高了成人及老年患者剂量预测的准确性。其PD部分采用Hill方程：Effect = E0+ (Emax- E0) · Ceγ/ (Ceγ+ EC50γ)，成功地将效应室浓度（Ce）与脑电图（EEG）效应联系起来。Egan等人（1998）则进一步将瑞芬太尼的PK模型扩展至肥胖人群，指出基于总体重（TBW）给药可能导致浓度高估，而基于LBM给药更为安全。
2.3 2000-2009：个性化麻醉模型的进展
进入21世纪，模型变得更加精细，并应用于更多药物和临床场景。Schüttler和Ihmsen（2000）建立了包含体重和年龄协变量的丙泊酚群体PK模型。Venn等人（2002）为重症监护室（ICU）患者建立了右美托咪定的二室PK模型，描述了其高清除率和快速恢复的特点。Shibutani等人（2005）针对肥胖患者芬太尼给药提出了“药代动力学质量”的概念，通过非线性公式（如 Dose (μg/h) = 1.12 × pharmacokinetic mass）优化给药方案，有效避免了肥胖患者过量风险。这一时期的模型多采用多输入多输出（MIMO）结构，能同时处理多种输入（如剂量、输注速率）和输出（如血药浓度、效应室浓度）。
2.4 2010-2019：推进麻醉中的定制模型
这十年是模型个体化和控制策略蓬勃发展的阶段。Cortínez等人（2010）为肥胖患者的丙泊酚PK模型引入了异速缩放法，使用公式 Pi= PTV× (TBW/70)θ× eη来根据体重调整清除率和分布容积参数。Eleveld等人（2017）则提出了一个全面的瑞芬太尼PK-PD模型，将脂肪含量（FFM）、体重、年龄和性别均作为协变量，极大地提升了模型在不同人群中的外推能力。在控制方面，van Heusden等人（2018）开发了一个多输入单输出（MISO）控制系统，将丙泊酚（起稳定作用）和瑞芬托咪定（起效迅速）与NeuroSENSE监测相结合，采用比例-积分-微分（PID）控制策略，在80个临床病例中实现了对催眠深度（DOH）的高精度、稳定控制。其设计目标函数为 Md= G0,PKPD_RKRGNS/ (1 + GNSPID G0,P)，体现了控制理论的深入应用。
2.5 2020-2024：个性化药物输送和麻醉管理的PKPD建模创新
近期研究更侧重于极端人群和前沿技术应用。Grimsrud等人（2020）为烧伤儿童建立了芬太尼PK模型，考虑了体重和总体表面积（TBSA）对清除率的影响。Braathen等人（2024）针对严重肥胖患者，比较了基于总体重（TBW）、瘦体重（LBW）和预测正常体重（PNWT）等多种体成分指标的丙泊酚PK模型，发现异速缩放指数为0.75时预测误差最低（中位绝对误差1.4%）。Ionescu等人（2021）利用MATLAB/Simulink平台，构建了整合丙泊酚、瑞芬太尼和阿曲库铵的多药物、多生理输出（如麻醉深度、平均动脉压MAP）的模型预测控制（MPC）仿真模型，为处理复杂的药物相互作用和患者扰动提供了高级解决方案。
3 十年亮点：改变PKPD模型的关键研究
本章节提炼了每个十年的代表性模型及其核心贡献。从Gepts的基础三室模型，到Marsh的儿科改良、Minto的协变量模型、Shibutani的肥胖给药方案、Cortínez的异速缩放、Eleveld的全人群模型，再到van Heusden和Ionescu的先进控制策略，清晰地展示了模型复杂性、个体化程度和控制自动化水平的阶梯式提升。
4 常见的经验近似模型
通过表格形式总结了上述关键模型的名称、预测方法、输入输出变量、数据来源和规模。这些模型大多基于房室模型理论和效应室概念，采用NONMEM等软件进行参数估计，其输入常包括人口统计学数据（年龄、体重、身高）和生理指标，输出则为药物浓度或药理效应指标。
5 重要的麻醉预测模型研究
通过对比表格详细分析了各模型的优势和局限性。优势通常体现在提高特定人群的预测精度、减少偏差（MDPE接近0）、提高准确性（降低MDAPE）、或实现稳定的闭环控制。局限性则可能包括模型复杂度高、临床实施困难、未涵盖所有变异来源（如遗传因素）、或在外推至模型构建人群之外时性能下降。
6 各研究间一致的预测误差评估指标
汇总了那些采用相同评估指标（中位预测误差MDPE和中位绝对预测误差MDAPE）的研究结果。数据显示，随着模型的发展，MDPE（偏差）普遍向0靠拢，MDAPE（不精确度）也有所降低，例如Iirola等人（2012）的模型通过协变量将MDAPE从33.5%改善至21.7%，证明了模型优化在提升预测性能上的直接效果。
7 讨论
综述指出，尽管模型结构多年来仍以房室模型和效应室链接为主流，但在协变量探索、参数估计方法和验证流程上取得了显著进步。这些模型已成功应用于靶控输注（TCI）设备中，指导临床给药。成功的模型优化通常依赖于：1）利用生理合理的协变量（如LBM用于肥胖）减少系统偏差；2）通过群体建模方法降低个体间变异，提高预测精度；3）在控制模型中明确优化目标函数以减少跟踪误差。然而，模型报告在协变量选择、模型诊断和不确定性表征方面的透明度和一致性仍有提升空间。
8 结论
1987年至2024年间，麻醉学PK-PD建模经历了从描述性工具到预测性及控制性系统的深刻演变。房室模型结合效应室的理论框架因其临床可解释性而保持核心地位。通过持续整合生理协变量、采用先进的估计方法以及进行严格的验证，PK-PD模型在提升麻醉剂量个体化和给药精准化方面发挥了不可替代的作用，为未来开发更智能、自适应的闭环麻醉系统奠定了坚实基础。
9 未来可能的研究方向
面临的挑战和未来研究方向包括：1） 特殊人群（如肝肾功能不全、极端年龄）的进一步个体化建模；2） 多药物相互作用（PK-PD）的精确预测；3） 能够适应手术刺激等扰动的实时自适应模型；4） 整合基因组学等组学数据以解释遗传变异；5） 合并症对PK-PD影响的量化研究；6） 提升模型长期预测能力和计算效率，以利于临床转化。人工智能（AI）技术有望在这些领域发挥重要作用。
