個別化投与におけるベイズ予測

ベイズ予測は、モデルに基づく精密投与の原動力となるものです。これは、集団に関する既知の情報（事前分布）から出発し、個々の患者の測定された薬物濃度を取り込み、その患者の薬物動態パラメータの更新された推定値を生成します。この推定値は、将来の曝露を予測し、投与計画を調整するために使用することができます。

Definition

個別化投与におけるベイズ予測とは、ベイズの定理を用いて、集団薬物動態モデル（事前分布）と個々の患者の測定された薬物濃度（データ）を組み合わせ、その患者のパラメータ（事後分布）を推定し、将来の薬物曝露を予測することです。

Scope

この項目では、集団の事前分布と個々のデータを組み合わせる論理、最大事後確率推定の役割、および予測が投与適応にどのように使用されるかについて説明します。これは推定アプローチに関する方法論的なトピックであり、薬物固有の目標値や個別の投与推奨を提供するものではありません。

Core questions

• 集団の事前分布は個人の測定値とどのように組み合わされるのか？
• 推定に情報を提供するために、どのくらいの数の、どのようなサンプルが必要か？
• 個々のデータが増えるにつれて、予測はどのように改善されるのか？
• 集団の事前分布に依存する予測の限界は何か？

Key concepts

• 集団の事前分布
• 個々の測定データ
• 事後パラメータ推定値
• 最大事後確率推定
• 事前分布への収縮
• 将来の曝露予測

Key theories

ベイズ（最大事後確率）パラメータ推定

個々の薬物動態パラメータは、事後分布を最大化することによって推定されます。これは、集団の事前分布と患者自身の測定濃度への適合とのバランスを取り、少数のサンプルでも使用可能な個別の推定値を得られるようにします。

Mechanisms

ベイズ投与法は、典型的なパラメータ値とその変動性を指定する集団モデル（事前分布として機能）から始まります。患者自身の薬物濃度測定値が得られると、ベイズの定理は事前分布とそれらの測定値の尤度を組み合わせて、患者の個別パラメータの事後推定値を生成します。これは一般的に最大事後確率推定を介して行われます。データが少ない場合、推定値は集団の事前分布に近い状態（収縮）を保ち、個々の測定値が増えるにつれて、推定値は患者自身のデータに大きく依存するようになります。事後パラメータは、将来の薬物濃度を予測し、投与計画を調整するために使用され、新しい測定値が得られるたびにこのサイクルが繰り返されます。

Clinical relevance

ベイズ予測は、慎重な曝露管理を必要とする薬剤の研究および実践で使用される、モデルに基づく精密投与ソフトウェアの中核となる方法です。この項目では、推定および予測の方法論について説明しており、個々の曝露がどのように予測されるかを特徴づけるものであり、特定の目標値や個別の治療決定の根拠となるものではありません。

Evidence & guidelines

ベイズ予測は、集団薬物動態・薬力学の方法論とその推定ソフトウェアに基づいており、基礎となる集団モデルが個別の予測の事前分布として使用される前に、どのように構築され、検証されるべきかを記述する品質管理ガイドラインが存在します。

History

このアプローチは、Sheinerらが1972年に個別化投与のためにモデルとコンピュータ推定を使用することを提案したことに端を発しており、集団の知識と個々のデータをベイズ的に組み合わせることを導入しました。1990年代初頭までに集団PK/PDフレームワークが確立され、推定ソフトウェアの普及によりベイズ予測が実用的になり、現在ではモデルに基づく精密投与ツールの基礎となっています。

Debates

予測は事前分布と個々のデータのどちらにどれだけ依存すべきか？

測定値が少ない場合、推定値は集団の事前分布に収縮し、真の個体差を覆い隠す可能性があります。事前分布の影響と限られた個々のデータとのバランスをどのように取るか、また事前分布が患者に不適切である場合をどのように検出するかは、方法論的な懸念事項として残っています。

Key figures

• Lewis Sheiner
• Stuart Beal
• Roger Jelliffe

Seminal works

• sheiner1972
• sheiner1992

Frequently asked questions

ベイズ投与における「事前分布」とは何か？

これは集団薬物動態モデルであり、個々の患者自身の測定値が考慮される前の、典型的なパラメータ値とその変動性を要約したものです。

ベイズ予測はなぜ少数のサンプルでも機能するのか？

集団の事前分布から情報を借りるため、この方法は少ないデータからでも使用可能な個別の推定値を生成でき、測定値が増えるにつれて推定値は患者自身の測定値に大きく依存するようになります。