个体差异。这会导致基于人群的估计值与个体血浆(或效应位)浓度之间存在差异 [18]。模型的准确性通常用 Varvel 标准 [19] 来表示,该标准将药物浓度的预测值与观察值进行比较。一般认为,血浆浓度的中位绝对预测误差(也称为 MDAPE 或预测精度)不应超过 30% [20]。基于人群的模型的进一步个体化,例如贝叶斯优化,已证明可以减少基于人群的误差,但效果有限 [18,21]。虽然残差定义了药代动力学模型预测药物浓度的准确性,但它对临床实践中的 TCI 的影响可能有限。临床医生进行滴定以达到效果,并将目标浓度定义为充分或不充分,而不是准确或不准确。因此,他们可能没有意识到药代动力学预测中的偏差,因为这对他们的临床任务影响不大。尽管性能上存在一些偏差,但这些 TCI 系统非常擅长建立稳态药物水平,这有助于临床医生实现所需的药物效果。考虑到易用性和预测准确性之间的权衡,具有实际优势的模型可能会抵消预测能力的轻微下降。患者之间的广泛差异可能导致临床病例与 PK-PD 模型不匹配,尤其是当患者特征超出模型中使用的协变量范围时(即超出用于构建模型的体重范围)。如果发生这种情况,临床医生可以选择推断或调整输入到 TCI 设备中的患者特征,以改善患者“与模型的拟合度”并适应可能可用的 TCI 系统的使用。虽然性能可能不是最理想的,但如果替代方案是使用手动给药推注和连续输注进行手动计算和调整,它仍然可能合适。外推可能导致正确剂量的不确定性,并可能导致剂量不足或过量,从而有麻醉不充分或恢复延迟的风险。