Prévision bayésienne en dosage personnalisé

La prévision bayésienne est le moteur du dosage de précision guidé par modèle. Elle s'appuie sur les connaissances relatives à une population (le prior), intègre les concentrations mesurées propres à un patient donné, et produit une estimation actualisée des paramètres pharmacocinétiques de ce patient, qui peut ensuite être utilisée pour prévoir l'exposition future et affiner un schéma posologique.

Definition

La prévision bayésienne en dosage personnalisé est l'utilisation du théorème de Bayes pour combiner un modèle pharmacocinétique populationnel (le prior) avec les concentrations mesurées d'un patient individuel (les données) afin d'estimer les paramètres de ce patient (le postérieur) et de prédire son exposition future au médicament.

Scope

Cette entrée aborde la logique de combinaison d'un prior populationnel avec des données individuelles, le rôle de l'estimation du maximum a posteriori, et la manière dont les prévisions sont utilisées pour adapter le dosage. Il s'agit d'un sujet méthodologique concernant l'approche d'estimation et ne fournit pas de cibles spécifiques aux médicaments ni de recommandations posologiques individuelles.

Core questions

• Comment un prior populationnel est-il combiné avec les mesures d'un individu ?
• Combien et quels échantillons sont nécessaires pour éclairer l'estimation ?
• Comment la prévision s'améliore-t-elle à mesure que davantage de données individuelles s'accumulent ?
• Quelles sont les limites des prévisions qui s'appuient sur un prior populationnel ?

Key concepts

• Prior populationnel
• Données individuelles mesurées
• Estimation des paramètres a posteriori
• Estimation du maximum a posteriori
• Rétrécissement vers le prior
• Prévision de l'exposition future

Key theories

Estimation bayésienne (maximum a posteriori) des paramètres

Les paramètres pharmacocinétiques individuels sont estimés en maximisant le postérieur, en équilibrant le prior populationnel par rapport à l'ajustement aux propres concentrations mesurées du patient, de sorte que même peu d'échantillons peuvent encore produire une estimation individuelle utilisable.

Mechanisms

Une méthode de dosage bayésienne commence par un modèle populationnel qui spécifie les valeurs typiques des paramètres et leur variabilité ; cela sert de prior. Lorsque les propres mesures de concentration d'un patient deviennent disponibles, le théorème de Bayes combine le prior avec la vraisemblance de ces mesures pour produire une estimation a posteriori des paramètres individuels du patient, généralement via l'estimation du maximum a posteriori. Avec des données éparses, l'estimation reste proche du prior populationnel (rétrécissement), et à mesure que davantage de mesures individuelles s'accumulent, l'estimation s'appuie davantage sur les propres données du patient. Les paramètres a posteriori sont ensuite utilisés pour prévoir les concentrations futures et pour adapter le schéma posologique, le cycle se répétant à mesure que de nouvelles mesures arrivent.

Clinical relevance

La prévision bayésienne est la méthode fondamentale des logiciels de dosage de précision guidé par modèle utilisés en recherche et en pratique pour les médicaments qui nécessitent un contrôle rigoureux de l'exposition. Cette entrée décrit la méthodologie d'estimation et de prévision ; elle caractérise la manière dont l'exposition individuelle est prédite et n'est pas une source de cibles spécifiques ou de décisions de traitement individuelles.

Evidence & guidelines

La prévision bayésienne repose sur la méthodologie pharmacocinétique-pharmacodynamique populationnelle et ses logiciels d'estimation, avec des directives de contrôle qualité décrivant comment les modèles populationnels sous-jacents devraient être construits et qualifiés avant d'être utilisés comme priors pour les prévisions individuelles.

History

L'approche remonte à la proposition de Sheiner et ses collègues en 1972 d'utiliser des modèles et l'estimation informatique pour le dosage individualisé, ce qui a introduit la combinaison bayésienne des connaissances populationnelles avec les données individuelles. Le cadre PK/PD populationnel s'est consolidé au début des années 1990 et la diffusion des logiciels d'estimation a rendu la prévision bayésienne pratique, et elle constitue désormais la base des outils de dosage de précision guidé par modèle.

Debates

Dans quelle mesure les prévisions devraient-elles s'appuyer sur le prior par rapport aux données individuelles ?

Avec des mesures éparses, les estimations se rapprochent du prior populationnel, ce qui peut masquer de véritables différences individuelles ; comment équilibrer l'influence du prior par rapport aux données individuelles limitées, et comment détecter quand le prior est inapproprié pour un patient, reste une préoccupation méthodologique.

Key figures

• Lewis Sheiner
• Stuart Beal
• Roger Jelliffe

Seminal works

• sheiner1972
• sheiner1992

Frequently asked questions

Qu'est-ce que le 'prior' dans le dosage bayésien ?

C'est le modèle pharmacocinétique populationnel, qui résume les valeurs typiques des paramètres et leur variabilité avant que les propres mesures d'un patient individuel ne soient prises en compte.

Pourquoi la prévision bayésienne peut-elle fonctionner avec seulement quelques échantillons ?

Parce qu'elle tire sa force du prior populationnel, la méthode peut produire une estimation individuelle utilisable à partir de données éparses, l'estimation s'appuyant davantage sur les propres mesures du patient à mesure que celles-ci s'accumulent.