Dự báo Bayes trong định liều cá thể hóa

Dự báo Bayes là động lực đằng sau việc định liều chính xác dựa trên mô hình. Phương pháp này bắt đầu từ những thông tin đã biết về một quần thể (tiên nghiệm), kết hợp với nồng độ đo được của từng bệnh nhân, và đưa ra ước tính cập nhật về các thông số dược động học của bệnh nhân đó, sau đó có thể được sử dụng để dự báo phơi nhiễm trong tương lai và điều chỉnh phác đồ.

Definition

Dự báo Bayes trong định liều cá thể hóa là việc sử dụng định lý Bayes để kết hợp mô hình dược động học quần thể (tiên nghiệm) với nồng độ đo được của từng bệnh nhân (dữ liệu) nhằm ước tính các thông số của bệnh nhân đó (hậu nghiệm) và dự đoán mức độ phơi nhiễm thuốc trong tương lai của họ.

Scope

Mục này bao gồm logic kết hợp thông tin tiên nghiệm quần thể với dữ liệu cá thể, vai trò của ước tính hậu nghiệm tối đa, và cách các dự báo được sử dụng để điều chỉnh liều lượng. Đây là một chủ đề phương pháp luận về cách tiếp cận ước tính và không cung cấp các mục tiêu cụ thể theo thuốc hoặc khuyến nghị định liều cá thể.

Core questions

• Thông tin tiên nghiệm quần thể được kết hợp với các phép đo của cá thể như thế nào?
• Cần bao nhiêu và những mẫu nào để cung cấp thông tin cho ước tính?
• Dự báo cải thiện như thế nào khi có thêm dữ liệu cá thể?
• Giới hạn của các dự báo dựa trên thông tin tiên nghiệm quần thể là gì?

Key concepts

• Thông tin tiên nghiệm quần thể
• Dữ liệu đo được của cá thể
• Ước tính thông số hậu nghiệm
• Ước tính hậu nghiệm tối đa
• Co rút về phía tiên nghiệm
• Dự báo phơi nhiễm trong tương lai

Key theories

Ước tính thông số Bayes (hậu nghiệm tối đa)

Các thông số dược động học cá thể được ước tính bằng cách tối đa hóa hậu nghiệm, cân bằng thông tin tiên nghiệm quần thể với sự phù hợp với nồng độ đo được của chính bệnh nhân, để một vài mẫu vẫn có thể đưa ra ước tính cá thể hữu ích.

Mechanisms

Một phương pháp định liều Bayes bắt đầu với một mô hình quần thể xác định các giá trị thông số điển hình và sự biến thiên của chúng; đây được xem là thông tin tiên nghiệm. Khi các phép đo nồng độ của bệnh nhân có sẵn, định lý Bayes kết hợp thông tin tiên nghiệm với khả năng xảy ra của các phép đo đó để tạo ra ước tính hậu nghiệm về các thông số cá thể của bệnh nhân, thường thông qua ước tính hậu nghiệm tối đa. Với dữ liệu thưa thớt, ước tính vẫn gần với thông tin tiên nghiệm quần thể (co rút), và khi có thêm nhiều phép đo cá thể, ước tính sẽ dựa nhiều hơn vào dữ liệu của chính bệnh nhân. Các thông số hậu nghiệm sau đó được sử dụng để dự báo nồng độ trong tương lai và điều chỉnh phác đồ, với chu trình lặp lại khi có các phép đo mới.

Clinical relevance

Dự báo Bayes là phương pháp cốt lõi đằng sau phần mềm định liều chính xác dựa trên mô hình được sử dụng trong nghiên cứu và thực hành đối với các loại thuốc yêu cầu kiểm soát phơi nhiễm cẩn thận. Mục này mô tả phương pháp luận ước tính và dự báo; nó đặc trưng hóa cách dự đoán phơi nhiễm cá thể và không phải là nguồn cung cấp các mục tiêu cụ thể hoặc quyết định điều trị cá thể.

Evidence & guidelines

Dự báo Bayes dựa trên phương pháp luận dược động học-dược lực học quần thể và phần mềm ước tính của nó, với hướng dẫn kiểm soát chất lượng mô tả cách các mô hình quần thể cơ bản nên được xây dựng và đánh giá trước khi được sử dụng làm thông tin tiên nghiệm cho các dự báo cá thể.

History

Cách tiếp cận này bắt nguồn từ đề xuất năm 1972 của Sheiner và các đồng nghiệp về việc sử dụng các mô hình và ước tính bằng máy tính để định liều cá thể hóa, đã giới thiệu sự kết hợp Bayes giữa kiến thức quần thể với dữ liệu cá thể. Khung PK/PD quần thể được củng cố vào đầu những năm 1990 và sự phổ biến của phần mềm ước tính đã làm cho dự báo Bayes trở nên khả thi, và hiện nay nó tạo thành cơ sở của các công cụ định liều chính xác dựa trên mô hình.

Debates

Các dự báo nên dựa vào thông tin tiên nghiệm hay dữ liệu cá thể ở mức độ nào?

Với các phép đo thưa thớt, các ước tính co rút về phía thông tin tiên nghiệm quần thể, điều này có thể che giấu sự khác biệt cá thể thực sự; cách cân bằng ảnh hưởng của thông tin tiên nghiệm với dữ liệu cá thể hạn chế, và cách phát hiện khi thông tin tiên nghiệm không phù hợp với một bệnh nhân, vẫn là một mối quan tâm về phương pháp luận.

Key figures

• Lewis Sheiner
• Stuart Beal
• Roger Jelliffe

Seminal works

• sheiner1972
• sheiner1992

Frequently asked questions

Thông tin 'tiên nghiệm' trong định liều Bayes là gì?

Đó là mô hình dược động học quần thể, tóm tắt các giá trị thông số điển hình và sự biến thiên của chúng trước khi xem xét bất kỳ phép đo nào của chính bệnh nhân.

Tại sao dự báo Bayes có thể hoạt động chỉ với một vài mẫu?

Vì nó mượn sức mạnh từ thông tin tiên nghiệm quần thể, phương pháp này có thể tạo ra một ước tính cá thể hữu ích từ dữ liệu thưa thớt, với ước tính dựa nhiều hơn vào các phép đo của chính bệnh nhân khi có thêm dữ liệu tích lũy.