Байесовское прогнозирование в персонализированном дозировании

Байесовское прогнозирование является основой точного дозирования, основанного на моделях. Оно начинается с известных данных о популяции (априорное распределение), включает измеренные концентрации отдельного пациента и выдает обновленную оценку фармакокинетических параметров этого пациента, которая затем может быть использована для прогнозирования будущей экспозиции и уточнения режима дозирования.

Definition

Байесовское прогнозирование в персонализированном дозировании — это использование теоремы Байеса для объединения популяционной фармакокинетической модели (априорное распределение) с измеренными концентрациями отдельного пациента (данные) для оценки параметров этого пациента (апостериорное распределение) и прогнозирования его будущей лекарственной экспозиции.

Scope

Статья охватывает логику объединения популяционного априорного распределения с индивидуальными данными, роль оценки максимального апостериорного правдоподобия и использование прогнозов для адаптации дозирования. Это методологическая тема, касающаяся подхода к оценке, и она не предоставляет специфических для лекарств целей или индивидуальных рекомендаций по дозированию.

Core questions

• Как популяционное априорное распределение объединяется с индивидуальными измерениями?
• Сколько и какие образцы необходимы для информирования оценки?
• Как улучшается прогноз по мере накопления большего количества индивидуальных данных?
• Каковы пределы прогнозов, основанных на популяционном априорном распределении?

Key concepts

• Популяционное априорное распределение
• Индивидуальные измеренные данные
• Апостериорная оценка параметров
• Оценка максимального апостериорного правдоподобия
• Сжатие к априорному распределению
• Прогнозирование будущей экспозиции

Key theories

Байесовская (максимального апостериорного правдоподобия) оценка параметров

Индивидуальные фармакокинетические параметры оцениваются путем максимизации апостериорного распределения, балансируя популяционное априорное распределение с соответствием собственным измеренным концентрациям пациента, так что даже небольшое количество образцов может дать пригодную индивидуальную оценку.

Mechanisms

Байесовский метод дозирования начинается с популяционной модели, которая определяет типичные значения параметров и их изменчивость; это служит априорным распределением. Когда становятся доступны собственные измерения концентрации пациента, теорема Байеса объединяет априорное распределение с функцией правдоподобия этих измерений для получения апостериорной оценки индивидуальных параметров пациента, обычно с помощью оценки максимального апостериорного правдоподобия. При ограниченных данных оценка остается близкой к популяционному априорному распределению (сжатие), и по мере накопления большего количества индивидуальных измерений оценка в большей степени опирается на собственные данные пациента. Апостериорные параметры затем используются для прогнозирования будущих концентраций и адаптации режима, при этом цикл повторяется по мере поступления новых измерений.

Clinical relevance

Байесовское прогнозирование является основным методом, лежащим в основе программного обеспечения для точного дозирования, основанного на моделях, используемого в исследованиях и практике для лекарств, требующих тщательного контроля экспозиции. Эта статья описывает методологию оценки и прогнозирования; она характеризует, как прогнозируется индивидуальная экспозиция, и не является источником конкретных целей или индивидуальных решений о лечении.

Evidence & guidelines

Байесовское прогнозирование основывается на методологии популяционной фармакокинетики-фармакодинамики и соответствующем программном обеспечении для оценки, с рекомендациями по контролю качества, описывающими, как базовые популяционные модели должны быть построены и квалифицированы, прежде чем использоваться в качестве априорных распределений для индивидуальных прогнозов.

History

Подход восходит к предложению Шайнера и его коллег 1972 года использовать модели и компьютерную оценку для индивидуализированного дозирования, которое ввело байесовское объединение популяционных знаний с индивидуальными данными. Популяционная ФК/ФД-структура, консолидированная к началу 1990-х годов, и распространение программного обеспечения для оценки сделали байесовское прогнозирование практичным, и теперь оно составляет основу инструментов точного дозирования, основанных на моделях.

Debates

Насколько прогнозы должны опираться на априорное распределение по сравнению с индивидуальными данными?

При ограниченных измерениях оценки сжимаются к популяционному априорному распределению, что может маскировать истинные индивидуальные различия; как сбалансировать влияние априорного распределения с ограниченными индивидуальными данными и как определить, когда априорное распределение неприменимо для пациента, остается методологической проблемой.

Key figures

• Lewis Sheiner
• Stuart Beal
• Roger Jelliffe

Seminal works

• sheiner1972
• sheiner1992

Frequently asked questions

Что такое «априорное распределение» в байесовском дозировании?

Это популяционная фармакокинетическая модель, которая суммирует типичные значения параметров и их изменчивость до рассмотрения каких-либо собственных измерений отдельного пациента.

Почему байесовское прогнозирование может работать с небольшим количеством образцов?

Поскольку оно заимствует силу из популяционного априорного распределения, метод может давать пригодную индивидуальную оценку на основе ограниченных данных, при этом оценка в большей степени опирается на собственные измерения пациента по мере их накопления.