文拉法辛血药浓度超警戒值风险预测模型的临床价值研究

doi:10.12114/j.issn.1007-9572.2024.0715

中国全科医学 ›› 2026, Vol. 29 ›› Issue (06): 777-782.DOI: 10.12114/j.issn.1007-9572.2024.0715

• 论著·用药指导 • 上一篇

文拉法辛血药浓度超警戒值风险预测模型的临床价值研究

张彦景¹^,², 周春华¹^,², 李晓东³, 刘琰¹^,², 王婧¹^,², 于静¹^,²^,^*()

1．050031　河北省石家庄市，河北医科大学第一医院临床药学部
2．050031　河北省石家庄市，河北省人工智能临床药学技术创新中心
3．050017　河北省石家庄市，河北医科大学

收稿日期:2025-03-27 修回日期:2025-06-03 出版日期:2026-02-20 发布日期:2026-01-05
通讯作者: 于静
作者贡献：
张彦景进行文章的构思与设计，对研究的实施与可行性分析，负责撰写并修订论文；于静负责文章的质量控制及审校，并对文章整体负责、监督管理；张彦景、李晓东、刘琰、王婧进行数据收集、整理、分析；张彦景、周春华、于静进行结果分析与解释。
本文首次刊登于Precision Medication 2025年第1期(https://doi.org/10.1016/j.prmedi.2025.100027)
基金资助:
河北省财政厅项目(ZF2023020); 河北省卫生健康委员会医学科研项目(20221429)

Study on the Clinical Value of a Risk Prediction Model for Venlafaxine Plasma Concentration Exceeding the Safety Threshold

ZHANG Yanjing¹^,², ZHOU Chunhua¹^,², LI Xiaodong³, LIU Yan¹^,², WANG Jing¹^,², YU Jing¹^,²^,^*()

1. Department of Clinical Pharmacy, the First Hospital of Hebei Medical University, Shijiazhuang 050031, China
2. The Technology Innovation Center for Artificial Intelligence in Clinical Pharmacy of Hebei Province, Shijiazhuang 050031, China
3. Hebei Medical University, Shijiazhuang 050017, China

Received:2025-03-27 Revised:2025-06-03 Published:2026-02-20 Online:2026-01-05
Contact: YU Jing

分享到

摘要/Abstract

摘要： 背景文拉法辛为5-羟色胺肾上腺素再摄取抑制剂（SNRI）类抗抑郁药，广泛用于治疗重度抑郁、广泛性焦虑障碍和抑郁共病，《中国精神科治疗药物监测临床应用专家共识（2022年版）》提出在治疗过程中，文拉法辛可行血药浓度监测，避免超警戒浓度使用而导致不良反应发生或治疗效果不理想。但患者生理、基因多态性等因素对其血药浓度超警戒值的影响存在一定争议。目的探索抑郁患者文拉法辛血药浓度超警戒值的影响因素，并构建文拉法辛血药浓度超警戒值的风险预测模型，为文拉法辛个体化用药提供参考。方法回顾性分析2021年1月—2024年8月于河北医科大学第一医院服用文拉法辛进行治疗并接受血药浓度监测住院患者的临床资料，将所纳入患者按文拉法辛血药浓度监测值分为达标组（血药浓度100~400 ng/mL）和超警戒组（血药浓度>800 ng/mL），收集两组患者的性别、年龄、BMI、日均服药剂量、血浆白蛋白、合并用药、肝肾功能情况，采用多因素Logistic回归分析筛选文拉法辛血药浓度超警戒值的独立影响因素，根据筛选出的独立影响因素构建列线图预测模型，并对该模型进行验证。结果本研究共纳入患者590例，其中男203例（34.4%）、女387例（65.6%），平均年龄（51.9±16.4）岁。590例患者中达标组516例（87.5%）、超警戒组74例（12.5%）。多因素Logistic回归分析结果显示，日均服药剂量≥225 mg（OR=26.628，95%CI=12.912~54.916，P<0.001）、肾损害（OR=2.429，95%CI=1.215~4.854，P=0.012）、合用细胞色素P450（CYP）2D6抑制剂（OR=5.232，95%CI=2.781~9.844，P<0.001）是文拉法辛血药浓度超出警戒值的危险因素。根据所筛选出的独立影响因素，建立了文拉法辛血药浓度超警戒值的列线图预测模型，该模型预测抑郁患者文拉法辛血药浓度超警戒值的ROC曲线下面积（AUC）为0.899（95%CI=0.864~0.935），灵敏度为48.65%，特异度为95.74%，阳性预测值为62.07%，阴性预测值为92.86%；Bootstrap法验证结果显示，校正曲线与实际曲线一致性良好（Brier评分=0.072）；Hosmer-Lemeshow检验结果显示，列线图预测模型的校准度良好（χ2=3.160，P=0.531）；临床决策曲线分析（DCA）结果显示，当阈值为0.05~0.80时，列线图模型具有较好的临床实用性。结论日均服药剂量≥225 mg、存在肾损害、合并使用CYP2D6抑制剂是抑郁患者血药浓度超警戒值的独立危险因素，据此构建的列线图模型能有效预测抑郁患者文拉法辛血药浓度超警戒风险程度，具有较高的临床应用价值。

关键词: 文拉法辛, 血药浓度, 治疗药物监测, 影响因素, 列线图, 预测, 超警戒值

Abstract:

Background

Venlafaxine is a 5-hydroxytryptamine-adrenergic reuptake inhibitor (SNRI) antidepressant widely used in the treatment of major depression, generalized anxiety disorder, and depressive co-morbidities, and China's Expert Consensus on Clinical Application of Psychiatric Therapeutic Drug Monitoring (2022 edition) suggests that venlafaxine can be feasibly monitored for blood concentration during treatment to avoid the use of over-alert concentrations, which can lead to the occurrence of adverse reactions or unsatisfactory therapeutic effects. However, the influence of patient physiology, genetic polymorphisms and other factors on the over-alert value of blood concentration is controversial.

Objective

To investigate the factors influencing venlafaxine blood concentration exceeding the alert threshold in patients with depression and to develop a risk prediction model for elevated venlafaxine concentrations, providing a reference for individualized venlafaxine therapy.

Methods

A retrospective analysis was conducted on 590 hospitalized patients who received venlafaxine treatment and underwent TDM at the First Hospital of Hebei Medical University between January 2021 and August 2024. Patients were categorized into a target concentration group (100-400 ng/mL) and an above-alert group (>800 ng/mL) based on their venlafaxine plasma concentrations. Demographic and clinical variables, including sex, age, BMI, average daily dose, plasma albumin level, concomitant medications, liver and kidney function, were collected and compared between groups. Multivariate Logistic regression analysis was performed to identify independent risk factors associated with venlafaxine concentrations exceeding the alert threshold. A nomogram prediction model was constructed based on the identified factors and was subsequently validated.

Results

A total of 590 patients were included in this study, including 203 (34.4%) males and 387 (65.6%) females, with a mean age of (51.9±16.4) years. Among the 590 patients, there were 516 (87.5%) patientsin the target group, and 74 (12.5%) in the ultra-alert group. Multivariate Logistic regression analysis revealed that average daily dose≥225 mg (OR=26.628, 95%CI=12.912-54.916, P<0.001), renal impairment (OR=2.429, 95%CI=1.215-4.854, P=0.012), and concomitant use of CYP2D6 inhibitors (OR=5.232, 95%CI=2.781-9.844, P<0.001) were independent risk factors for venlafaxine concentrations exceeding the alert threshold. The model for predicting venlafaxine plasma concentrations exceeding alert threshold in patients with depression showed an area under the ROC curve of 0.899 (95%CI=0.864-0.935), sensitivity of 48.65%, specificity of 95.74%, positive predictive value of 62.07%, and negative predictive value of 92.86%. Bootstrap validation demonstrated good consistency (Brier score=0.072), and the Hosmer-Lemeshow test indicated good calibration (χ²=3.160, P=0.531). Decision curve analysis demonstrated clinical utility for threshold probabilities of 0.05-0.80.

Conclusion

Average daily dose≥225 mg, renal impairment, and concomitant use of CYP2D6 inhibitors are independent risk factors for venlafaxine plasma concentrations exceeding the alert threshold in patients with depression. The constructed nomogram model effectively predicts the risk of venlafaxine concentration exceeding the alert range and has significant clinical application value.

Key words: Venlafaxine, Plasma concentration, Therapeutic drug monitoring, Influencing factors, Nomogram, Forecasting, Exceeding the safety threshold

中图分类号:

R 971.4

张彦景,周春华,李晓东,等. 文拉法辛血药浓度超警戒值风险预测模型的临床价值研究[J]. 中国全科医学, 2026, 29(06): 777-782. DOI: 10.12114/j.issn.1007-9572.2024.0715.
ZHANG Yanjing,ZHOU Chunhua,LI Xiaodong, et al. Study on the Clinical Value of a Risk Prediction Model for Venlafaxine Plasma Concentration Exceeding the Safety Threshold[J]. Chinese General Practice, 2026, 29(06): 777-782. DOI: 10.12114/j.issn.1007-9572.2024.0715.

图/表 6

参考文献 21

[1]	王鑫, 邬国栋, 安明, 等. 文拉法辛相关PK-PD关系及影响因素研究进展[J]. 中国临床药理学与治疗学, 2023, 28(7): 788-795.
[2]	COUDERC S, MORY C, DARNAUD L, et al. Therapeutic drug monitoring of antidepressants: Why venlafaxine is the most monitored drug? A review of literature[J]. Therapies, 2021, 76(6): 725-733.
[3]	WANG Z Z, DENG S H, LU H Y, et al. Effect of venlafaxine dosage, valproic acid concentration, sex, and age on steady state dose-corrected concentrations of venlafaxine and O-desmethylvenlafaxine: a retrospective analysis of therapeutic drug monitoring data in a Chinese population[J]. Hum Psychopharmacol, 2020, 35(3): e2733.
[4]	LENSE X M, HIEMKE C, FUNK C M, et al. Venlafaxine's therapeutic reference range in the treatment of depression revised: a systematic review and meta-analysis[J]. Psychopharmacology (Berl), 2024, 241(2): 275-289. DOI: 10.1007/s00213-023-06484-7.
[5]	HIEMKE C, BERGEMANN N, CLEMENT H W, et al. Consensus guidelines for therapeutic drug monitoring in neuropsychopharmacology: update 2017[J]. Pharmacopsychiatry, 2018, 51(1/2): 9-62. DOI: 10.1055/s-0043-116492.
[6]	梁海, 夏茹楠, 吴炜, 等. 影响文拉法辛血药浓度相关因素的研究进展[J]. 中国医院药学杂志, 2023, 43(15): 1758-1762. DOI: 10.13286/j.1001-5213.2023.15.19.
[7]	谢焕山, 陈宏镇, 王占璋, 等. 基于细胞色素P450基因多态性的文拉法辛药代动力学和安全性评价[J]. 中国临床药理学杂志, 2019, 35(19): 2426-2429, 2438. DOI: 10.13699/j.cnki.1001-6821.2019.19.061.
[8]	李增, 尹钊, 杜书章. 他克莫司血药浓度不达标风险预测模型的建立及验证[J]. 中国药学杂志, 2024, 59(10): 945-950. DOI: 10.11669/cpj.2024.10.012.
[9]	SCHRADER K. International statistical classification of diseases and related health problems (ICD-10)[M]//Angewandte Lymphologie. Berlin, Heidelberg: Springer Berlin Heidelberg, 2023: 757-763. DOI: 10.1007/978-3-662-61452-5_49.
[10]	SIGURDSSON H P, HEFNER G, BEN-OMAR N, et al. Steady-state serum concentrations of venlafaxine in patients with late-life depression. Impact of age, sex and BMI[J]. J Neural Transm (Vienna), 2015, 122(5): 721-729. DOI: 10.1007/s00702-014-1317-9.
[11]	PAULZEN M, HAEN E, HIEMKE C, et al. Antidepressant polypharmacy and the potential of pharmacokinetic interactions: Doxepin but not mirtazapine causes clinically relevant changes in venlafaxine metabolism[J]. J Affect Disord, 2018, 227: 506-511. DOI: 10.1016/j.jad.2017.11.046.
[12]	张彦景, 于静, 王婧, 等. 治疗药物监测中奥氮平实验室警戒浓度分析[J]. 中国药业, 2023, 32(15): 113-117.
[13]	李晶, 段自皞, 沈炳香, 等. 地高辛血药浓度超出安全限值风险预测模型的建立与评估[J]. 中国医院药学杂志, 2021, 41(13): 1332-1336. DOI: 10.13286/j.1001-5213.2021.13.11.
[14]	周菊香, 李艳飞, 吕芳君, 等. 伏立康唑血药浓度偏高的风险预测模型的构建[J]. 中国临床药理学与治疗学, 2024, 29(6): 653-660.
[15]	NHS Evidence. Depression: Evidence Update April 2012[J/OL]. National Institute for Health and Clinical Excellence.[2024-11-03].
[16]	American Psychiatric Association. Practice guideline for the treatment of patients with major depressive disorder (revision)[J]. Am J Psychiatry, 2000, 157(4 Suppl): 1-45.
[17]	FURUKAWA T A, CIPRIANI A, COWEN P J, et al. Optimal dose of selective serotonin reuptake inhibitors, venlafaxine, and mirtazapine in major depression: a systematic review and dose-response meta-analysis[J]. Lancet Psychiatry, 2019, 6(7): 601-609. DOI: 10.1016/S2215-0366(19)30217-2.
[18]	TROY S M, SCHULTZ R W, PARKER V D, et al. The effect of renal disease on the disposition of venlafaxine[J]. Clin Pharmacol Ther, 1994, 56(1): 14-21. DOI: 10.1038/clpt.1994.95.
[19]	谢焕山, 黄毅, 黄善情, 等. 基于治疗药物监测的O-去甲基文拉法辛与文拉法辛浓度比值影响因素分析[J]. 中国临床药理学杂志, 2022, 38(20): 2419-2422.
[20]	CHO C K, KANG P, JANG C G, et al. PBPK modeling to predict the pharmacokinetics of venlafaxine and its active metabolite in different CYP2D6 genotypes and drug-drug interactions with clarithromycin and paroxetine[J]. Arch Pharm Res, 2024, 47(5): 481-504.
[21]	韦龙静, 陈瑜, 耿纪婷, 等. 抑郁症患者CYP2D6基因多态性与文拉法辛代谢的相关性研究[J]. 中国医院药学杂志, 2019, 39(5): 497-501. DOI: 10.13286/j.cnki.chinhosppharmacyj.2019.05.14.

一般资料	达标组（n=516）	超警戒组（n=74）	χ²值	P值
性别			10.631	0.001
男	190（36.8）	13（17.6）
女	326（63.2）	61（82.4）
年龄			2.061	0.097
>60岁	179（34.7）	32（43.2）
≤60岁	337（65.3）	42（56.8）
BMI			4.869	0.018
≥24 kg/m²	259（50.2）	27（36.5）
<24 kg/m²	257（49.8）	47（63.5）
日均服药剂量			144.096	<0.001
<225 mg	419（81.2）	11（14.9）
≥225 mg	97（18.8）	63（85.1）
白蛋白			0.519	0.294
>35 g/L	467（90.5）	65（87.8）
≤35 g/L	49（9.5）	9（12.2）
丙氨酸氨基转移酶			2.912	0.058
>50 U/L	53（10.3）	3（4.1）
≤50 U/L	463（89.7）	71（95.9）
天冬氨酸氨基转移酶			0.055	0.470
>40 U/L	58（11.2）	9（12.2）
≤40 U/L	458（88.8）	65（87.8）
肌酐			0.285	0.500
>111 μmol/L	12（2.3）	1（1.4）
≤111 μmol/L	504（97.7）	73（98.6）
肾损害			7.140	0.007
无	401（77.7）	47（63.5）
有	115（22.3）	27（36.5）
CYP2D6抑制剂			39.310	<0.001
合用	125（24.2）	44（59.5）
未合用	391（75.8）	30（40.5）

一般资料	达标组（n=516）	超警戒组（n=74）	χ²值	P值
性别			10.631	0.001
男	190（36.8）	13（17.6）
女	326（63.2）	61（82.4）
年龄			2.061	0.097
>60岁	179（34.7）	32（43.2）
≤60岁	337（65.3）	42（56.8）
BMI			4.869	0.018
≥24 kg/m²	259（50.2）	27（36.5）
<24 kg/m²	257（49.8）	47（63.5）
日均服药剂量			144.096	<0.001
<225 mg	419（81.2）	11（14.9）
≥225 mg	97（18.8）	63（85.1）
白蛋白			0.519	0.294
>35 g/L	467（90.5）	65（87.8）
≤35 g/L	49（9.5）	9（12.2）
丙氨酸氨基转移酶			2.912	0.058
>50 U/L	53（10.3）	3（4.1）
≤50 U/L	463（89.7）	71（95.9）
天冬氨酸氨基转移酶			0.055	0.470
>40 U/L	58（11.2）	9（12.2）
≤40 U/L	458（88.8）	65（87.8）
肌酐			0.285	0.500
>111 μmol/L	12（2.3）	1（1.4）
≤111 μmol/L	504（97.7）	73（98.6）
肾损害			7.140	0.007
无	401（77.7）	47（63.5）
有	115（22.3）	27（36.5）
CYP2D6抑制剂			39.310	<0.001
合用	125（24.2）	44（59.5）
未合用	391（75.8）	30（40.5）

变量	B	SE	Wald χ²值	P值	OR（95%CI）
性别（以女性为参考）
男性	-0.707	0.378	3.510	0.061	0.493（0.235~1.033）
BMI（以<24 kg/m²为参考）
≥24 kg/m²	-0.487	0.326	2.227	0.136	0.614（0.324~1.165）
日均服药剂量（以<225 mg为参考）
≥225 mg	3.282	0.369	78.977	<0.001	26.628（12.912~54.916）
肾损害（以无为参考）
有	0.887	0.353	6.310	0.012	2.429（1.215~4.854）
合用CYP2D6抑制剂（以否为参考）
是	1.655	0.322	26.337	<0.001	5.232（2.781~9.844）

变量	B	SE	Wald χ²值	P值	OR（95%CI）
性别（以女性为参考）
男性	-0.707	0.378	3.510	0.061	0.493（0.235~1.033）
BMI（以<24 kg/m²为参考）
≥24 kg/m²	-0.487	0.326	2.227	0.136	0.614（0.324~1.165）
日均服药剂量（以<225 mg为参考）
≥225 mg	3.282	0.369	78.977	<0.001	26.628（12.912~54.916）
肾损害（以无为参考）
有	0.887	0.353	6.310	0.012	2.429（1.215~4.854）
合用CYP2D6抑制剂（以否为参考）
是	1.655	0.322	26.337	<0.001	5.232（2.781~9.844）

文拉法辛血药浓度超警戒值风险预测模型的临床价值研究

Study on the Clinical Value of a Risk Prediction Model for Venlafaxine Plasma Concentration Exceeding the Safety Threshold

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 21

相关文章 15

编辑推荐

Metrics

留言

[1]	李纪新, 邱林杰, 任燕, 王文茹, 李美洁, 栗文婕, 邹姹姹, 吴梓敬, 张晋. 肌肉与脂肪比值对非超重/肥胖2型糖尿病的预测价值研究[J]. 中国全科医学, 2026, 29(06): 726-732.
[2]	雷淳心, 张曦亚, 张燕, 陈嘉琪, 刘子菡, 罗静, 陶庆文. 原发性干燥综合征燥瘀互结证患者临床特点及影响因素研究[J]. 中国全科医学, 2026, 29(06): 718-725.
[3]	史佳琦, 王玉欣, 罗佳妮, 姜琪, 吴善玉, 金头峰. 胃肠道癌症患者症状群影响因素的范围综述[J]. 中国全科医学, 2026, 29(05): 668-675.
[4]	汪雪, 杨程茗, 王子云, 周忠. 结核性支气管扩张症患者转归情况及其影响因素研究[J]. 中国全科医学, 2026, 29(05): 606-611.
[5]	田紫薇, 杨支兰, 赵慧敏, 翟艳萍, 李鸿雁, 杜淼, 晋源媛, 宋泽雨. 膝骨关节炎患者衰弱研究的范围综述[J]. 中国全科医学, 2026, 29(05): 676-680.
[6]	刘璠, 李嘉丽, 柯立鑫, 张强, 陈嘉慧, 卢存存, 赵信科. 1990—2021年全球与中国60岁及以上人群高胆固醇血症的疾病负担：趋势分析与模型预测[J]. 中国全科医学, 2026, 29(05): 631-640.
[7]	夏莹, 吴新日, 张彩琴, 洪忻. 基于"生命八要素"评分的社区居民心血管健康分布及影响因素研究[J]. 中国全科医学, 2026, 29(05): 597-605.
[8]	江晓蕊, 闫玉瑶, 卫靖靖, 乔利杰, 彭广操, 朱明军. 冠心病患者并发心力衰竭风险预测模型的系统评价[J]. 中国全科医学, 2026, 29(03): 393-402.
[9]	赵雪姣, 李娟, 李雨洁, 卢婷, 先丽红, 颜欢. 中国脑卒中后认知障碍患病趋势及影响因素的Meta分析[J]. 中国全科医学, 2026, 29(03): 380-392.
[10]	陈学琴, 王仕鸿, 赖凤霞, 张晶晶, 陈浩, 孔丹莉, 丁元林. 1990—2021年中国慢性阻塞性肺疾病发病、患病和死亡趋势分析及未来10年预测研究[J]. 中国全科医学, 2026, 29(02): 264-272.
[11]	赵颖颖, 苏萍, 陈巧巧, 逄锦宏, 施婕, 王雅倩, 李秋春, 何蕊言, 王玥, 陈学禹, 于媛媛, 迟蔚蔚. 多种慢性病对年龄相关性黄斑变性风险的影响及其交互效应研究[J]. 中国全科医学, 2026, 29(02): 213-218.
[12]	马玉萍, 乔梦媛, 何雁云, 徐曼如, 陈崇利, 伍文彬. "体病相关"视角下探析老年2型糖尿病伴轻度认知障碍现状及影响因素研究：以四川省为例[J]. 中国全科医学, 2026, 29(02): 188-194.
[13]	闵叶平, 薛垚, 冯同保, 张合, 刘福菁. 血压反应指数对老年重症肺炎休克患者急性肾损伤的影响研究[J]. 中国全科医学, 2026, 29(02): 207-212.
[14]	任盼盼, 贾常离, 贾晶晶, 许晶琳, 陈梦瑶, 张翔. 农村老年人生计资本对生命质量的影响：基于不同慢性病患病情况的研究[J]. 中国全科医学, 2026, 29(01): 129-136.
[15]	赵晓晓, 丁韵涵, 陈嘉慧, 王海博, 柯立鑫, 王子怡, 高武霖, 卢笑晖, 武继彪, 卢存存. 1990—2021年中国与全球老年1型糖尿病的疾病负担分析与未来趋势预测[J]. 中国全科医学, 2026, 29(01): 67-75.