母集団薬物動態と薬力学

母集団薬物動態と薬力学（しばしばpopPK/PDと略される）は、薬物曝露と反応が母集団全体でどのように変動し、その変動を何が説明するのかを研究する学問分野です。非線形混合効果モデルを用いて、多くの被験者から集められたデータから、典型的なパラメータ値、共変量の影響、および個体間および個体内でのランダムな変動を推定します。

Definition

母集団薬物動態-薬力学は、非線形混合効果モデルを用いて母集団からの薬物動態および薬力学データを解析し、典型的な（固定効果）パラメータ、共変量関係、および被験者間および残差（ランダム効果）変動を同時に推定するものです。

Scope

この項目では、母集団モデルの構造、固定効果、共変量効果、ランダム効果の分離、および個別化された投与量の定量的基盤としてのこれらのモデルの役割について説明します。これは方法論的なトピックであり、薬物固有の曝露目標や治療に関する助言を与えるものではありません。

Core questions

• 母集団における薬物動態または薬力学パラメータの典型的な値は何ですか？
• 曝露または反応の変動の一部を説明する共変量はどれですか？
• 個体間および個体内でどれくらいの変動が未説明のまま残っていますか？
• 多くの被験者からのまばらなデータを単一のモデルにどのように組み合わせることができますか？

Key concepts

• 固定効果と典型的なパラメータ
• 共変量関係
• 被験者間変動
• 残差変動
• 構造モデルと統計モデル
• まばらなデータからの推定
• モデル評価と検証

Key theories

非線形混合効果モデリング

固定効果（典型的なパラメータと共変量関係）とランダム効果（被験者間および残差変動）を同時に推定する統計的フレームワークであり、まばらで不均衡なデータからでも母集団構造を学習することを可能にします。

Mechanisms

母集団モデルは、濃度または効果の典型的な時間経過を記述する構造コンポーネント、体重、年齢、臓器機能、遺伝子型などの特性にパラメータを関連付ける共変量コンポーネント、および説明されない変動を被験者間および残差項に分割する統計コンポーネントで構成されます。パラメータは、被験者全体でプールされたデータにモデルを適合させることによって推定され、これにより各個人からのまばらなサンプルでも貢献することが可能になります。診断プロット、シミュレーションに基づくチェック、および品質管理の実践は、モデルがデータを適切に記述しているかどうかを評価するために使用されます。結果として得られるモデルは、個別化されたベイジアン投与方法が構築される母集団事前情報を提供します。

Clinical relevance

母集団PK/PDモデルは、研究、医薬品開発、および投与戦略の設計において、薬物曝露と反応の変動がどのように定量化されるかの基礎となります。この項目はモデリング方法論を記述するものであり、曝露がどのように変動するかを特徴づけるものであって、特定の投与目標や個別の治療決定の源ではありません。

Evidence & guidelines

母集団解析を構築し報告するためのベストプラクティスは、popPK/PD解析の品質管理ガイダンスや、この分野で広く使用されている推定ソフトウェアのチュートリアルで記述されており、これらは母集団薬物動態および薬力学のために確立された基礎的な方法論を補完するものです。

History

母集団薬物動態は、1970年代のSheinerらによる日常データからの個別薬物動態の推定に関する研究から生まれ、混合効果アプローチは専用の推定ソフトウェアを通じて形式化され普及しました。1990年代初頭までに母集団PK/PDフレームワークは確立され、その後の数十年で構造的改良、品質管理基準、および規制および臨床薬理学における広範な使用が追加されました。

Debates

共変量はどのように選択され、検証されるべきか？

段階的共変量選択は過剰適合を引き起こし、見かけ上の関係を生み出す可能性があるため、共変量効果（遺伝子型を含む）が真実であり、他の集団にも適用可能であることを保証するために、より原則に基づいた選択と外部検証について議論されてきました。

Key figures

• Lewis Sheiner
• Stuart Beal
• Mats Karlsson
• Peter Bonate

Seminal works

• sheiner1972
• sheiner1992

Frequently asked questions

母集団モデリングにおける「混合効果」とは何を意味しますか？

これは、モデルが母集団全体で共有される典型的なパラメータと共変量関係を記述する固定効果と、個々人がこれらの典型的な値からどのように変動するかを捉えるランダム効果の両方を含むことを意味します。

なぜ多くの被験者間でデータをプールするのですか？

プーリングにより、各個人が少数のサンプルしか提供しない場合でも（これは臨床現場でよくあることです）、モデルが母集団レベルの構造と変動を学習することができます。