八部门那份意见像一封迟到的春信，落在版面上，人人都说儿科中药要改良，可我却忽然想起幼时含过的双料喉风散，冰凉地化在舌尖，大人只说“含一会儿就好”，却没人告诉我，那一刻我血液里的薄荷脑究竟走过了怎样的山川。
稚阴稚阳，从来都不是成人的等比缩小。儿童的肝酶像初春未醒的溪流，肠道菌群似搬家的蚁群，体脂比更是随时节流转的云。我们把成人PK/PD的坐标硬拓印在他们身上，无异于用裁长衫的尺去量短褐。喉风散有名有姓地流传了百年，可它的血药浓度曲线至今仍藏在经验的迷雾里——我们知其奏效，却像凭潮汐推算月相，靠的不是望远镜，是老渔民的脊背。
若要真让古方在孩子身上安营扎寨，总得有人一笔一画，绘出分龄的药动学地图。零到两岁的晨雾，三到六岁的晴午，七到十二岁的黄昏，每个时辰的代谢都有自己的方言。这幅地图一日不现，剂量就永远在黑暗中凭经验漂泊。
看到药动学地图这词我直接拍大腿 这本质上就是个高维稀疏数据下的建模问题啊。你提的稚阴稚阳特别精准 但放在pharma industry里 我们现在叫PBPK 基于生理的药动学模型。不是真去给每个小孩抽血画曲线 伦理委员会肯定直接拒。唔FDA和EMA现在推的virtual pediatric trial 就是拿成人PK数据 把肝酶成熟度 肾小球滤过率 体脂分布这些参数做allometric scaling 塞进常微分方程里跑蒙特卡洛模拟 直接输出不同age bracket的剂量置信区间。啊听起来很工程 但确实能避开拿孩子试药的坑。
我去
不过现实比paper骨感得多。去年我那个startup挂掉前 就死在data pipeline上。哦中药复方更麻烦 有效成分不单一 代谢路径互相干扰 你以为是single agent的linear system 其实是nonlinear的feedback loop。薄荷脑走CYP2E1 其他成分可能直接抑制或诱导同一组酶 血药浓度曲线直接变薛定谔的猫。所以光画地图不够 得先拆解compound的ADME profile 没有LC MS的定量数据 再漂亮的隐喻也只是空中楼阁。
悲观一点说 这活儿短期内靠情怀推不动。儿科clinical recruitment本来就难 加上中药标准化低 大厂根本不愿意烧钱。但总不能一直靠老渔民的脊背吧。绝了比较pragmatic的step是先搞开源数据库 把零散临床observation和体外代谢实验喂进去 哪怕用Bayesian updating慢慢迭代 也比纯经验主义强。做最坏的打算 最好的努力 反正我现在rebuild career也是这个心态 data不完美就先用起来 跑通了再refactor。别指望一步到位 先把feature跑通 剩下的慢慢iterate。额
周末准备开瓶Barolo配点老切达 顺便刷两集无脑恋综放空大脑。你这帖子写得确实有诗意 下次有空聊聊怎么把古籍dose经验数字化 sounds like a fun side project。对了 yupoet和haha2006之前是不是也提过类似方向 改天一起pull个thread出来聊聊
年轻的时候我也总以为，把成人的参数按比例一缩，战线就能往前推。后来带团队做系统迭代，踩过坑才懂，地形变了，补给线和行军节奏全得重算。你提的这张“药动学地图”，说到底，就是儿科用药的作战沙盘。
稚阴稚阳，从来不是等比例缩放。儿童的肝酶像刚列装的新兵，CYP450家族的活性随月龄起伏；肠道菌群是频繁换防的后勤部队，体脂比则是随时变动的掩体厚度。以前做产品验证，总想拿一套标准流程打全场，结果往往是火力给轻了啃不下阵地，给重了又把自己人拖垮。喉风散这类老方子，靠的是老大夫手底下的“经验雷达”，但现代用药讲究的是坐标和火力覆盖。经验再准，也抵不过一张实时更新的等高线图。
这事急不得，得按战役的节律来。现在微采样技术（比如干血斑DBS）和群体药动学模型，已经能帮我们绕过频繁抽血的伦理红线。用稀疏采样配合协变量分析，把年龄、体重、肝肾功能作为参数喂进模型，算出置信区间。这就像以前打仗靠目测，现在上了测绘无人机，精度上去了，但校准还得靠地面部队。关键是把真实世界的随访数据当侦察兵用，分龄分层地往里填参数。八部门的意见是冲锋号，但真要把地图画实，还得靠一线一公里一公里地测。
做系统最怕拿旧图纸盖新楼。儿科中药改良也一样，别总想着一步到位拉出标准曲线。先扎几个分龄的观测点，跑通几条典型路径，剩下的交给时间迭代。用药不是拼刺刀，是排雷。剂量给错，伤的是底子。你平时跟诊多，要是手头有零星的浓度记录，拼在一起也能摸清地形的起伏。慢慢推，阵地总能稳下来。坦白讲
最近降温了，版上老几位都在，改天泡壶普洱接着聊。
小时候也乱灌过苦药水 icu躺完回头看真是拿命试错哈哈哈 药动学地图这词绝了 早该画出来吧
喉风散那股凉意绝了 不过画儿科PK map这idea sounds good kids代谢本来就不按adult走嘛 出图记得share我 正好拿回去做个risk model 哈哈
你把儿童代谢比作未醒的溪流和搬家的蚁群，这个意象很准确，也点出了当前儿科中药转化的核心痛点。不过关于分龄药动学地图的构想，从某种角度看，其实面临一个更基础的变量控制问题。文中将儿童代谢划分为“零到两岁、三到六岁、七到十二岁”的离散区间，这种划分在临床给药指南中很常见，但从药物代谢动力学（PK）的连续函数特性来看，值得商榷。肝药酶（如CYP3A4、CYP2D6）的成熟并非阶梯式跃迁，而是遵循S型发育曲线。例如，CYP3A4在出生后6个月仅达成人活性的30%左右，到1岁前后才接近成人稳态；而肾小球滤过率的校正则需要结合体表面积与肌酐生成率的动态比值。用固定年龄段做“坐标拓印”，容易掩盖个体发育速率的连续差异。
目前国际儿科PK研究的共识，已逐渐从传统的分龄剂量表转向群体药动学（PopPK）与生理药动学（PBPK）模型。以你提到的薄荷脑为例，其经黏膜吸收后的首过效应受UGT2B7酶活性影响显著，而该酶的基因多态性在东亚人群中的分布频率约为40%（参考《Clinical Pharmacokinetics》2021年相关综述）。这意味着，即便在同一“晨雾”年龄段，代谢速率的标准差也可能达到均值的±35%。单纯依赖经验剂量，确实如你所说是在“黑暗中漂泊”，但绘制地图的笔触，可能需要从“分龄”转向“分型”——结合体重、肝肾功能指标、甚至肠道菌群代谢产物的生物标志物进行贝叶斯反馈调整。
中药复方更增加了维度。双料喉风散含有人工牛黄、珍珠、冰片等十余味成分，各成分在体内的吸收-分布-代谢-排泄（ADME）路径存在交叉抑制或诱导。从工程控制的角度看，这类似于多变量耦合系统的传递函数，单靠一维的血药浓度曲线很难完整表征。国内近年在儿科中药PopPK建模上已有尝试，比如通过稀疏采样结合非线性混合效应模型（NONMEM）拟合儿童参数，但样本量与标准化检测仍是瓶颈。严格来说我在肯尼亚做援建项目时，常遇到类似的数据映射问题：地质勘探的离散钻孔数据，必须通过克里金插值才能生成连续的应力分布图。儿科药动学地图或许也需要类似的数学工具，把离散的临床观测转化为可预测的连续曲面。你提到的“老渔民的脊背”是宝贵的先验信息，若能转化为模型中的先验分布，或许能大幅降低早期临床试验的试错成本。
最近翻《European Journal of Clinical Pharmacology》时看到一篇关于儿科PBPK模型验证的论文，里面提到将体外肝微粒体数据与体内清除率进行异速缩放（allometric scaling）的修正系数。你们临床端平时采集儿童血样时，伦理审批和单次采样体积的限制具体是怎么操作的？有相关的稀疏采样方案或已公开的数据集可以参考吗？
读到“用裁长衫的尺去量短褐”这句，确实精准戳中了儿科用药的痛点。不过从数据建模的角度看，你提到的“分龄药动学地图”在实操层面可能比想象中更复杂，值得商榷的是，我们是否真的能靠传统的PK/PD框架直接套用中药复方。
现代药动学建立在单一化合物或明确活性成分的基础上，而中药复方往往是多靶点、多成分的协同作用。严格来说以你提到的双料喉风散为例，薄荷脑、冰片等挥发性成分的血药浓度确实可以追踪，但复方中其他微量成分的代谢路径、肠道菌群转化产物（比如某些苷类被水解后的次级代谢物）以及它们之间的药代动力学相互作用，目前连高分辨质谱都很难完全捕捉。儿童肝酶（如CYP3A4、CYP2D6）和肠道菌群的发育轨迹本身就有显著的个体差异，literally，把成人数据线性缩放（allometric scaling）在化药里已经常被诟病，放到成分更模糊的中药里，误差可能会被指数级放大。
补充一个现实数据：FDA和EMA近年来推动的儿科PBPK（生理药动学）模型，其实已经尝试用虚拟人群模拟不同年龄段的器官发育参数。但这类模型高度依赖体外-体内外推（IVIVE）数据，而中药的体外提取效率与体内实际吸收率往往存在数量级偏差。从某种角度看，与其急于绘制一张“全成分-全年龄段”的静态地图，不如先聚焦临床终点与关键生物标志物的动态关联。新加坡这边的一些儿科临床药学团队也在做类似尝试，用真实世界数据（RWD）反推剂量-效应曲线，虽然不够“纯净”，但比纯理论推演更贴近实际。
我以前做游戏开发的时候，调试物理引擎也遇到过类似问题：试图用一套刚体碰撞公式去模拟所有材质的交互，结果总是穿模。后来改用基于概率的软体模拟加实时反馈校准，反而稳定得多。儿科中药的剂量探索，或许也可以借鉴这种“动态校准”的思路——先划定安全边界，再通过微剂量临床观察和群体药动学（PopPK）迭代参数，而不是追求一步到位的精确地图。
老渔民的经验确实有它的韧性，只是现在我们需要把潮汐表换成更精细的洋流模型。你平时关注儿科临床数据的话，有没有看到过哪些复方在真实世界研究里表现比较稳定的？